在CPU上进行完整版yolov5项目跟练记录
接下来选择模型，由于数据集样本较少，所以选择精度更高的yolov5l，将yolov5-master\models路径下的yolov5l也复制进yolov5-master\catndog目录下，并重命名为yolov5l_cat.yaml。将yolov5-master\data路径下找到128.yaml
树莓派部署yolov5实现目标检测（ubuntu22.04.3）
查看树莓派ip，直接查看连接热点的设备，最后去WinSCP官网https://winscp.net/eng/download.php下载软件即可，注意传文件的时候需要电脑和树莓派连着同一个热点。把刚转好的三个包移动到与pytorch同一目录下(/home/用户名/)，解压yolov5-5.0。最近两
PAnet网络(路径聚合网络)
PANet（Path Aggregation Network）是一种用于目标检测的神经网络模型，由谢正辉等人于2018年提出。其旨在解决目标检测模型在处理小目标和遮挡目标时的性能问题。PANet 的设计思想在于引入了一种路径聚合机制，以更好地捕获和整合多尺度信息。在传统的目标检测模型中，如 Fast
目标检测-YOLOv9之GELAN泛化高效层聚合网络
GELAN的设计考虑了实时应用的需求，旨在实现高精度的同时保持网络的轻量化和高速度。此外，GELAN的架构也为YOLOv9的PGI（可编程梯度信息）模块提供了支持，PGI模块通过辅助可逆分支和多级辅助监督进一步提升了网络的训练效率和检测性能。：该模块由一个2x2的池化层和一个3x3的卷积层组成，用于
边缘计算【智能+安全检测】系列教程-- Jeton Agx Orin 基础环境搭建
需要先长按住②键(Force Recovery键)，然后给Orin接上电源线通电，此时白色指示灯亮起，但进入Recovery模式后是黑屏的，所以此时连接Orin的显示屏不会有什么反应。 (1) 在之前烧录镜像时，通过SDK Manager流程操作时，会在目录下安装好一个JetPack_5.1_Li
边缘检测——PidiNet网络训练自己数据集并优化推理测试（详细图文教程）
PiDiNet 是一种用于边缘检测的算法，它提出了一种简单、轻量级但有效的架构。PiDiNet 采用了新颖的像素差卷积，将传统的边缘检测算子集成到现代 CNN 中流行的卷积运算中，以增强任务性能。在 BSDS500、NYUD 和 Multicue 上进行了大量的实验，以证明其有效性、高训练和推理效率
【飞桨AI实战】交通灯检测：手把手带你入门PaddleDetection，从训练到部署
本次分享将带领大家从0到1完成一个目标检测任务的模型训练评估和推理部署全流程，项目将采用以PaddleDetection为核心的飞浆深度学习框架进行开发，并总结开发过程中踩过的一些坑，希望能为有类似项目需求的同学提供一点帮助。
YOLOV5 部署：基于web网页的目标检测（本地、云端均可）
YOLOV5推理的代码很复杂，大多数都是要通过命令行传入参数进行推理，不仅麻烦而且小白不便使用。本章介绍的web推理，仅仅需要十几行代码就能实现本地推理，并且只需要更改单个参数就可以很方便的部署云端，外网也可以随时的使用可视化界面确实很方便，不过有两个缺点：QT的编写复杂，要通过qt拖拽的方式生成u
【毕业设计】基于深度学习的苹果树叶面病虫害识别算法系统 python 人工智能 CNN
毕业设计-基于深度学习的苹果树页面病虫害识别算法系统的毕业设计。随着果树病虫害对果农产量和质量的威胁日益严重，开发一种高效准确的病虫害识别系统具有重要意义。该系统利用深度学习技术，结合大量的苹果树页面图像数据集，实现了自动化的病虫害识别功能。通过对苹果树页面图像进行处理和分析，系统能够快速准确地检测
yolov8（目标检测、图像分割、关键点检测）知识蒸馏：logit和feature-based蒸馏方法的实现
支持yolov8检测、分割、关键点任务的知识蒸馏，并对蒸馏代码进行详解，比较容易上手。蒸馏方式多种，支持logit和feature-based蒸馏以及在线蒸馏。
【YOLO系列】YOLO v5（网络结构图+代码）
YOLO v5提供了五个不同大小的预训练模型，分别是YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x。这五个模型的网络架构一样，不同的是每层通道数和宽度不一样。
【YOLOV8 轻量化改进】 使用高效网络EfficientNetV2替换backbone
【YOLOV8 轻量化改进】 使用高效网络EfficientNetV2替换backbone
目标检测——工业安全生产环境违规使用手机的识别
通过目标检测技术，对违规使用手机的行为进行及时发现和制止，是保障工业安全生产的重要手段。例如，数据集中的图片可能来自不同的工业生产环境、不同的时间段和不同的拍摄角度，以模拟真实世界中的复杂情况。同时，数据集还尽量涵盖了不同种类的手机、不同的使用姿势和不同的背景环境，以提高模型的识别准确性和鲁棒性。这
AI模型部署实战：利用CV-CUDA加速视觉模型部署流程
随着深度学习技术在计算机视觉领域的发展，越来越多的AI算法模型被用于目标检测、图像分割、图像生成等任务中，如何高效地在云端或者边缘设备上部署这些模型是工程师迫切需要解决的问题。一个完整的AI模型部署流程一般分为三个阶段：预处理、模型推理、后处理，一般情况下会把模型推理放在GPU或者专用的硬件上进行处
050通过人工智能技术识别鸟类品种pyqt界面
117nlp自然语言处理-文本情感分类-joy-sadness-anger-fear-love-surprise'089基于深度学习的小样本数据检测_含10多种模型包括alexnet、DenseNet、DL。083基于深度学习的手势识别小程序版本_含10多种模型包括alexnet、DenseNet。
从零开始训练 YOLOv8最新8.1版本教程说明（包含Mac、Windows、Linux端 ）同之前的项目版本代码有区别
从零开始训练 YOLOv8最新8.1版本教程说明（包含Mac、Windows、Linux端 ）
深度学习之目标检测R-CNN模型算法流程详解说明（超详细理论篇）
RCNN算法分为4个步骤:获取候选区域：对于一张输入的图像，首先使用selective search算法获取2000个左右的候选区域。获取图像特征：将图像输入到卷积神经网络中获取图像特征，这一部分可以采用常用的图像卷积神经网络如VGGNet,AlexNet等。获取区域类别：在初步获得目标的位置之后，
特征融合篇 | YOLOv8 引入通用高效层聚合网络 GELAN | YOLOv9 新模块
特征融合篇 | YOLOv8 引入通用高效层聚合网络 GELAN | YOLOv9 新模块
毕业设计-基于深度学习的水面漂浮物目标检测算法系统 YOLO python 卷积神经网络 人工智能
毕业设计-基于深度学习的水面漂浮物目标检测算法系统，用于解决水域环境下的目标检测难题。针对水面漂浮物目标检测中存在的遮挡、光照不足和水纹干扰等复杂情况，利用深度学习技术设计了一种高效准确的检测算法。通过对大量水面图像数据集的训练和数据增强技术的应用，提升了目标检测系统的鲁棒性和准确性。实验结果表明，
