毕设系列-检测专题-基于YOLOV5的手势识别系统
我们之前做过一期基于Yolov5的口罩检测系统（手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程_dejahu的博客-CSDN博客），里面的代码是基于YOLOV5 6.0开发的，并且是适用其他数据集的，只需要修改数据集之后重新训练即可，非常方便，但是有些好兄弟是初学者，可能不太了
用于微小目标检测的上下文扩展和特征细化网络
作者又将这样的ASPP模块的融合方式通过下面三种方式进行实验，其中（a）和（c）方式就是一般的进行相加和拼接，几种不同的特征的权重是相同的，而对于(b)方式就是将最终结果再通过一个注意力机制进行重要性分析。一般来说第二种方式是比较不错的，因为这种方法我是在其他论文上见过的，在那篇小目标检测论文中，（
视频监控 智能交通 数据集（目标检测、跟踪）
前言总结一下视频监控的数据集，用于目标检测、跟踪。一、UA-DETRAC 数据集UA-DETRAC是一个具有挑战性的真实世界多目标检测和多目标跟踪基准。该数据集包括在中国北京和天津的24个不同地点使用Cannon EOS 550D相机拍摄的10小时视频。视频以每秒25帧（fps）的速度录制，分辨率为
IoU、Precision、Recall、AP、mAP详解
目标检测中的IoU、Precision、Recall、AP、mAP详解
【魔改YOLOv5-6.x（4）】结合EIoU、Alpha-IoU损失函数
文章目录前言EIoU论文简介加入YOLOv5Alpha-IoU论文简介加入YOLOv5References前言本文使用的YOLOv5版本为v6.1，对YOLOv5-6.x网络结构还不熟悉的同学，可以移步至：【YOLOv5-6.x】网络模型&源码解析想要尝试改进YOLOv5-6.1的同学，可以
yolov7配置与训练记录(二)
yolov7配置与训练记录(一) 已经完成了环境的配置,下面开始文件内部的操作yolov7官方下载地址为1 将下载好的预训练权重放在内需要在yolov7中新建weights文件夹(也是为了方便管理权重文件)如果未报错,则说明成功需要在yolov7中新建datasets文件夹(也是为了方便管理训练数据
【OpenPCDet】Kitti数据集下训练PointPillars并评估&可视化
ubuntu18.04 跑通OpenPCDet最近正在学习3D目标检测的算法，OpenPCDet是由香港中文大学MMLab实验室开源的轻量话激光雷达点云目标检测框架，它定义了一种统一的3D坐标系以及采用了数据与模型分离的高层代码设计思想，使用起来非常方便。但是在早期的版本中由于spconv库Open
【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05
计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。
旋转目标检测训练自己数据集+问题汇总
复现junjieliang大佬的旋转目标检测代码，将自己遇到的问题全部记录下来，包括数据集制作，训练与部署检测。
yolov3源码逐行详解（3.0版本）
次看主文件，在进入主函数中逐行调试，进而对代码全局有个了解。接下来就是主文件，train.py训练文件、test.py测试文件（用于训练中每个epoch的测试）、models.py模型文件、detect.py预测文件、requirements.txt其中是项目需要的环境配置。版本，主要是因为其中使用
Pyqt搭建YOLOv5目标检测系统（可视化界面+功能介绍+源代码）
系统支持输入图片、视频、摄像头和RTSP视频流的目标检测，其中，可以对图片进行处理，包括灰度化、平滑处理、均衡化、形态学、图像梯度、阈值处理、边缘检测、轮廓检测、直线检测、亮度调节和伽玛校正。
YOLOv5-Shufflenetv2
YOLOV5-Shufflenetv2
目标检测数据集之离线数据增强
目标检测数据集离线数据增强（1变10）
【计算机视觉】目标检测—yolov5自定义模型的训练以及加载
yolov5如何自定义训练模型？如何加载模型并进行解读
目标检测算法——YOLOv5/YOLOv7改进之结合特征提取网络RFBNet（涨点明显）
计算机视觉——致力于目标检测领域科研Tricks改进与推荐 | 主要包括Backbone、Neck、Head、普通注意力机制、自注意力机制Transformer，各种IoU Loss损失函数、NMS及各类激活函数替换、轻量化网络改进、数据增强策略以及其他视觉顶会创新点改进等等。
YOLOX改进之损失函数修改（上）
文章内容：如何在YOLOX官网代码中修改置信度预测损失环境：pytorch1.8损失函数修改内容：（1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss（2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示：使用之前可以先了解Y
yolov5模型原理及代码流程讲解（v6.1）
目标检测，yolov5
睿智的目标检测65——Pytorch搭建DETR目标检测平台
基于Transformer的目标检测一直没弄，补上一下。DETR可以采用多种的主干特征提取网络，论文中用的是Resnet，本文以Resnet50网络为例子来给大家演示一下。将靠前若干层的某一层数据输出直接跳过多层引入到后面数据层的输入部分。意味着后面的特征层的内容会有一部分由其前面的某一层线性贡献。
【YOLOv5实战4】基于YOLOv5的交通标志识别系统-模型测试与评估
【YOLOv5实战4】基于YOLOv5的交通标志识别系统-模型测试与评估
【YOLOv5-6.x】设置可学习权重结合BiFPN（Concat操作）
文章目录前言修改yaml文件（以yolov5s为例）修改common.py修改yolo.py修改train.py1. 向优化器中添加BiFPN的权重参数2. 查看BiFPN_Concat层参数更新情况前言这篇博客【魔改YOLOv5-6.x（中）】：加入ACON激活函数、CBAM和CA注意力机制、加权
