一文掌握YOLOv1-v10
YOLO目标检测算法，不过多介绍，是基于深度学习的目标检测算法中最出名、发展最好的检测器，没有之一。本文简要的介绍一下从YOLOv1-YOLOv10的演化过程，详细技术细节不过多介绍，只提及改进点，适合初学者当综述阅读，也适合有基础的同学用于复习回顾。
基于 YOLO V10 Fine-Tuning 训练自定义的目标检测模型
YOLO-V10 由清华大学提供，采用无 NMS 训练和效率-精度驱动架构，提供目前最先进的性能和延迟。
Datawhale AI 夏令营 CV Task 1 笔记
使用F1score、MOTA指标来评估模型预测结果。对每个json文件得到两个指标的加权求和，最终得分为所有文件得分取均值。12其中，F1 Score是 Precision（精度）和 Recall（召回率）的调和平均值，专注于检测模型的准确性和完整性。
AI：243-YOLOv8主干改进涨点 | 集成LSKNet提升遥感目标检测性能的探索与实现
LSKNet是一种结合了大核卷积和小核卷积的网络结构，通过融合不同感受野的特征，有效提升了对目标的识别能力。大核卷积有助于捕捉全局特征，而小核卷积则在保留局部细节方面表现出色。LSKNet特别适合处理具有复杂背景和多尺度目标的遥感图像。
详细记录swfit微调interVL2-8B多模态大模型进行目标检测（附代码）
目标检测任务已经不是一个新鲜事了，但是多模态大模型作目标检测任务并不多见，本文详细记录swfit微调interVL2-8B多模态大模型进行目标检测的过程，旨在让更多人了解多模态大模型微调技术、共享微调经验。实际上，interVL2-8B多模态大模型在该任务上微调后的表现并不好。与此同时，我们还就电力
[数据集][目标检测]集装箱缺陷检测数据集VOC+YOLO格式4127张3类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["Dent","Hole","Rust"]
权重共享的理解
在PyTorch中，权重共享是通过将多个层或模块的参数设置为同一个变量来实现的。这意味着这些层或模块在训练过程中会更新相同的权重，从而共享相同的特征表示。假设我们想要构建一个简单的网络，其中两个全连接层共享相同的权重和偏置。# 如果提供了权重和偏置，则直接使用else:else:创建一个共享权重的网
机器学习概述,深度学习,人工智能,无监督学习,有监督学习,增量学习,预处理,回归问题,分类问题
学习的核心在与改善性能，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满。有些情况每个样本的每个特征值具体的值并不重要，但是每个样本特征值的占比更加重要。将学习过程和应用过程统一起来，在应用的同时，以增量的方式不断学习新的内容，边训练、边预测。根据样本数据，建立用于联系输出和输出的
大型、复杂、逼真的安全服和安全帽检测：SFCHD数据集和SCALE方法
智能守护工地安全：SFCHD数据集与SCALE模块介绍
深度学习目标检测入门COCO数据集
(str orstringroot 参数为图像所在的目录 annFile为标注文件所在的路径val2017:包含 COCO数据集2017 验证集 内容为图片 1Gcounts:如果"counts"为 [3,2,1,4]，则表示：3个背景像素2个前景像素1个背景像素4个前景像素。
MaskRCNN 在 Windows 上的部署教程
在’train’模式下，主要关注dataset、weights和logs参数，确保它们正确指向了训练所需的数据集、权重文件和日志目录。在’splash’模式下，除了上述参数外，还需要关注image或video参数，确保它们正确指向了要检测的目标图像或视频文件。同时，weights参数应指向一个已训练
AI：230-YOLOv8与RT-DETR的完美结合 | 重塑目标检测技术的前沿【保姆级教程】
YOLOv8 继承了 YOLO 系列的轻量化和高效性，通过优化网络架构和训练策略，实现了在主流数据集上的领先表现。然而，YOLOv8 的检测头仍采用经典的 anchor-based 设计，这在处理高密度或多尺度目标时可能存在局限性。RT-DETR 是最近提出的一种基于 Transformer 的目标
AI：232-YOLOv8性能涨点跃升 | 融合Deformable-LKA可变形大核注意力机制的深度优化与应用
本文探讨了通过引入Deformable-LKA注意力机制来改进YOLOv8模型的方法，并通过实验验证了这一改进在多个数据集上的优异表现。尽管取得了显著的进展，但目标检测领域依然充满挑战，未来的研究可以围绕更高效的注意力机制、跨模态学习、自适应模型压缩、以及无监督与自监督学习等方向展开。相信随着技术的
CV10_模型、特征图、CAM热力图可视化
https://www.bilibili.com/video/BV17i421U73P/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
开源目标检测数据集汇总
计算机视觉中关于图像识别有四大类任务：分类，定位，检测，分割。分类问题：即图片（或某个区域）中的图像属于哪个类别。定位问题：目标可能出现在图像的任何位置。大小问题：目标有各种不同的大小。形状问题：目标可能有各种不同的形状。
打造安全的人脸识别系统：深度学习活体检测项目
活体人脸检测（Liveness Detection）是一种用于防止人脸识别系统被照片或视频攻击的重要技术。通过深度学习模型，尤其是YOLO（You Only Look Once）模型，可以高效、准确地识别真人与非真人的面部图像，从而提高人脸识别系统的安全性和可靠性。
AI：217-保姆级YOLOv8改进 | 基于新型损失函数的目标检测性能提升研究
InnerIoU（内部交并比）损失函数考虑了目标框内部的重叠区域，旨在更加精确地评估检测框与真实框之间的重叠程度。本文介绍了四种新型损失函数：InnerIoU、InnerSIoU、InnerWIoU和FocusIoU，并详细分析了它们的数学原理和优缺点。通过实验结果验证了这些损失函数的有效性，尤其是
AI：218-保姆级YOLOv8细节检测改进 | 利用CARAFE上采样方法提升目标检测精度
CARAFE是一种基于内容感知的特征重组上采样方法。它主要通过利用特征图的局部上下文信息来进行内容感知的特征重组，从而提高上采样的精度。与传统的上采样方法（如转置卷积、双线性插值）相比，CARAFE能够更好地保留和增强特征图中的细节信息，对于提升目标检测的细节精度有显著效果。本文详细介绍了如何通过引
AI：214-改进YOLOv8目标检测网络 | 引入注意力机制、优化C2f、卷积层、Neck和检测头的综合提升
YOLOv8的网络结构大致分为四个部分：Backbone、Neck、Head和输出层。Backbone用于提取图像特征，Neck用于特征融合和增强，Head用于目标分类和定位。
AI：213-引入ODConv提升YOLOv8性能 | 动态卷积在目标检测中的应用与优化【保姆级实操】
ODConv是一种新型卷积操作，其核心思想是动态调整卷积核的参数，以适应不同的输入特征。ODConv通过引入多个维度的动态卷积，能够更好地捕捉空间和通道维度上的特征关系，从而提升模型的表达能力。
