目标检测评价指标
检测精度指标：IoU、TP、TN、FP、FN、查准率、查全率、F1-Score、ROC曲线、P-R曲线、AP、mAP以及MS COCO评价指标和PASCAL VOC的评价指标的理解；检测速度指标：FPS、FLOPS和FLOPs
人工智能学习07--pytorch20--目标检测：COCO数据集介绍+pycocotools简单使用
如：天空coco包含pascal voc 的所有类别，并且对每个类别的标注目标个数也比pascal voc的多。一般使用coco数据集预训练好的权重来迁移学习。如果仅仅针对目标检测object80类而言，有些图片并没有标注信息，或者有错误标注信息。所以在实际的训练过程中，需要对这些数据进行简单筛选。
人工智能 - 目标检测：发展历史、技术全解与实战
本文全面回顾了目标检测技术的演进历程，从早期的滑动窗口和特征提取方法到深度学习的兴起，再到YOLO系列和Transformer的创新应用。通过对各阶段技术的深入分析，展现了计算机视觉领域的发展趋势和未来潜力。
人工智能学习07--pytorch23--目标检测：Deformable-DETR训练自己的数据集
主要是MultiScaleDeformableAttention包，如果中途换了torch版本，需要重新编译cuda，得到一个新的这个包，不然报错。下载链接：https://download.csdn.net/download/u010826850/21980492。deformable-detr
【机器学习】李宏毅-判断年收入
加入正则化的目的就是让模型的参数变小，使模型对数据敏感度下降，所以正则项的加入就是降低模型变化率的过程，变化率降低直观表现为模型更加平滑，使模型更加集中且增大了与真实模型之间的距离，也就是增大了偏移量bias，从而增强了高阶过拟合模型的泛化能力。用逻辑回归的方法生成的模型叫做判别模型，用高斯公式描述
YOLOv5算法进阶改进（3）— 引入深度可分离卷积C3模块 | 轻量化网络
深度可分离卷积是一种卷积神经网络中的卷积操作，可以大大减少计算量和参数数量，从而提高模型的效率和准确性。本节课就给大家介绍一下如何在YOLOv5主干网络中引入深度可分离卷积C3模块，希望大家学习之后能够有所收获~！🌈
目标检测YOLO实战应用案例100讲-基于无人机的轻量化目标检测系统设计
7系列FPGA电压主要有VCCINT(内核电压)，VCCAUX（辅助电压），VCCRAM （RAM块电压），VCCO（IO电压）以及高速串行收发器GTX Transceiver的供电电 压。需要注意的是VCCINT和VCCBRAM要连接到同一个电源[ 31]。FPGA每个BANK 可以单独供电，但是
【CV】在windows上安装和使用Yolo_mark
下载、安装、使用Yolo_mark面板中选择，把其中的默认路径更改为自己的opencv的相同文件夹的路径面板中选择，把其中的默认路径更改为自己的opencv的相同文件夹的路径，（右侧有小箭头下拉点击编辑可以更方便地更改），完成后点击确定保存。在VS中切换为，右键项目，点击，开始编译。编译完成后在文件
YOLOv8『小目标』检测指南
目前博主课题组在进行物体部件的异常检测项目，项目中需要先使用YOLOv8进行目标检测，然后进行图像切割，最后采用WinCLIP 模型进行部件异常检测但是在实际操作过程中出现问题， YOLOv8 模型目标检测在大目标精确度不错，但是在小目标检测中效果极差我们之前的解决方案是扩大异常部件的目标检测范围，
[论文阅读]PillarNeXt——基于LiDAR点云的3D目标检测网络设计
PillarNeXt论文阅读
YOLOv5改进系列（21）——替换主干网络之RepViT（清华 ICCV 2023|最新开源移动端ViT）
YOLOv5改进系列，替换主干网络之RepViT，清华 ICCV 2023，最新开源移动端ViT
Yolov7改进总结(1)——ACmix网络选取，卷积与自注意力的融合，涨点明显
阅读最新的论文，结合最有效的模块，改进yolo结构，实现高效涨点。
【目标检测】利用PyQT5搭建YOLOv5可视化界面
本篇主要利用PyQT5搭建YOLOv5可视化界面，并打包成exe程序。
使用LabelMe标注目标检测数据集并转换为COCO2017格式
COCO数据集是模板检测中经典和标准格式，当我们使用LabelMe给目标检测打标签后，如何转换为COCO数据集格式呢？转换成功后又如何可视化COCO数据集检验是否标注和转换正确呢？
基于ros和openpcdet使用自己的雷达进行实时三维目标检测
使用openpcdet和ros进行实时三维检测，用自己的雷达。
【利用MMdetection3D框架进行单目3D目标检测（smoke算法】
mmdetection3d是OpenMMLab开发的3D目标检测开源工具箱，里面包含了许多经典的3D目标检测算法，包含了单目3D目标检测、多目3D目标检测、点云3D目标检测、多模态3D目标检测等各个方向。我们只需要把相应的算法权重下载下来，并调用相应接口即可进行检测。若下载速度很慢的话，可以在命令行
YOLOv5系列 1、制作自己的数据集
文章目录前言一、下载Labelme二、Labelme使用步骤1.打开Labelme2.Labelme标记数据集3.保存为json格式三、json格式转换为txt格式四、建立自己的Yolov5数据集前言本文所使用的Yolov5为6.1版本，所用为GPU版（亲测CPU也一样能跑，只是速度会慢很多），使用
目标检测 YOLOv5的loss权重，以及与图像大小的关系
YOLOv5中有三个损失分别是 box, obj, cls在超参数配置文件hyp.*.yaml中可以设置基础值，例如训练使用时，在train.py进行更新可以看到损失与nl（number of detection layers，检测层的层数，这里是3）和图像尺寸相关，与layers相关这个好理解，是
深度学习 yolov5等结构图
yolov5 卷积神经网络 等结构图
【深度相机D435i】Windows+Ubuntu下调用D435i利用Python读取、保存RGB、Depth图片
最近组里面的项目需要用到D435i深度相机采集深度图片，所以记录一下在Windows+Ubuntu的环境下使用D435i深度相机的流程，以及如何利用python读取、保存常见的RGB、Depth图片。提示：以下是本篇文章正文内容，下面案例可供参考D435i 在小巧外形中采用英特尔模块和视觉处理器，是
