AI：258-YOLOv8改进 | 融合ACmix自注意力与卷积模型提升检测效率与实时性能
在目标检测领域，YOLO系列模型一直以其快速、高效的特性广受欢迎。YOLOv8作为这一系列的最新版本，具备较高的检测速度和较强的识别能力。然而，随着对复杂场景和小目标检测需求的增加，进一步优化模型的特征提取和识别效率成为改进的核心方向。本文将探讨如何通过引入**ACmix（自注意力与卷积混合模型）*
AI：254-YOLOv8改进 | 基于MobileNetV2的轻量化Backbone替换与性能评估
深度可分离卷积：将标准卷积分解为深度卷积和逐点卷积，大幅降低计算复杂度。线性瓶颈：使用线性激活函数而非ReLU，在瓶颈层的输入和输出之间避免了非线性变换。反向残差块：在网络中引入反向残差模块，改善了特征的流动和信息传递。首先，我们需要定义MobileNetV2模型。这可以通过库中的预训练模型来实现。
多目标跟踪算法理论基础（一）
SORT是一种多目标跟踪算法，可以有效地关联目标，并提升跟踪的实时性。SORT的核心主要是卡尔曼滤波和匈牙利算法的结合版，可以达到较好的跟踪效果。在当时，追踪速度达到了260HZ，相比其他方法速度提升了20倍。Deepsort的前身是sort算法，sort算法的核心是卡尔曼滤波算法和匈牙利算法。卡尔
AI：245-YOLOv8的全新改进 | 基于Damo-YOLO的RepGFPN在Neck中的特征融合优化【极限涨点】
YOLOv8在结构上依旧延续了自YOLOv4以来的CSPNet（Cross Stage Partial Network）和FPN（Feature Pyramid Network）的设计，结合了PANet（Path Aggregation Network）来增强特征的多尺度表达。然而，随着目标检测任务
AI：236-基于RCS-OSA的YOLOv8改进 | 增强空间对象注意力实现小物体检测精度提升
通过将 RCS-OSA（减少通道的空间对象注意力机制）引入到 YOLOv8 中，并替换原有的 C2f 模块，我们显著提升了模型在多项指标上的性能，尤其是在小物体检测和复杂场景中的表现。实验结果显示，改进后的模型在 COCO 和 PASCAL VOC 数据集上的 mAP、Precision 和 Rec
AI：219-保姆级YOLOv8改进 | MPDIoU与InnerMPDIoU的创新应用及代码解析【细节涨点】
MPDIoU通过在目标框和预测框上分别选取多个特征点，并计算这些特征点之间的距离来衡量框之间的差异。具体公式如下：其中，( p_i ) 和 ( g_i ) 分别表示预测框和目标框上的第 ( i ) 个特征点，( d ) 表示两个点之间的距离，( d_{\text{max}} ) 为最大距离。
AI：212-YOLOv8中的可变形卷积改进 | 从DCNv1到DCNv3的多位置替换可变形卷积保姆级实操
可变形卷积（Deformable Convolution）最早由Dai等人在2017年提出，其核心思想是在标准卷积操作的基础上，引入可学习的偏移量（offsets），使卷积核能够自适应调整其采样位置，从而增强模型对目标变形的感知能力。return x本文通过深入探讨可变形卷积在YOLOv8中的应用，
利用开源AI引擎：打造安全生产作业人员穿戴检测应用平台
在电力行业中，作业人员的安全是至关重要的。为了确保工作人员在进行电力设施操作时的个人安全，需要对作业人员的安全穿戴情况进行严格监控。随着计算视觉技术的发展，特别是图像处理和目标检测技术的进步，我们可以通过自动化的方式监测作业人员的安全穿戴情况，从而提高电力设施操作的安全性。
准确性和效率-国研政情·经信研究：谷歌AI公开目标检测系统
准确性和效率-国研政情·经信研究：谷歌AI公开目标检测系统
YOLOv8性能评估指标-＞mAP、Precision、Recall、FPS、IoU
这篇博客，主要给大家讲解我们在训练yolov8时生成的结果文件中各个图片及其中指标的含义，帮助大家更深入的理解，以及我们在评估模型时和发表论文时主要关注的参数有那些。本文通过举例训练过程中的某一时间的结果来帮助大家理解，大家阅读过程中如有任何问题可以在评论区提问出来，我会帮助大家解答。首先我们来看一
人工智能任务4-读懂YOLOv5模型的几个灵魂拷问问题，深度理解 YOLOv5模型架构
大家好，我是微学AI，今天给大家介绍一下人工智能任务4-读懂YOLOv5模型的几个灵魂拷问问题，深度理解 YOLOv5模型架构。YOLOv5是一种高效且精确的目标检测模型，由ultralytics团队开发。它采用了轻量级的网络结构，能够在保持高性能的同时降低计算复杂度。模型由三个主要部分组成：骨干网
跨镜头跟踪（多源跟踪）方案
对于多个镜头下对于目标物体的持续跟踪，需要跨镜头跟踪算法来解决 譬如当目标从一个镜头切换到另一个镜头，会出现目标跟丢的情况。 本篇以2个相机拍摄的目标跟踪场景为例。考虑涉及两种场景：（1）两台相机存在重叠区域；（2）两台相机不存在重叠区域。。
RPN(Region Proposal Networks)候选区域网络算法解析（附PyTorch代码）
本文基于论文Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks对RPN候选区域网络进行解析说明，并基于PyTorch库对RPN网络进行编程。
匹配算法之 匈牙利算法详解
匹配算法之 匈牙利算法详解
最新目标跟踪评估指标汇总
汇总目标跟踪的常用评估指标，主要包括下面几类：容易理解的概念：FP、FN、TP、id switch、ML、MT更加综合的概念：MOTA、IDF1、MOTP、HOTA、HOTP主要的介绍集中在HOTA。
[MOT Challenge]官方生成多目标跟踪算法性能评价指标结果，解决test数据集没有gt文件和官网注册问题
多目标跟踪benchmark MOT challenge的使用流程以及注册流程，解决Test数据集为什么没有gt
2023电赛E题视觉部分
该部分主要要完成正方形区域的识别，并返回对应的坐标，但是由于距离1m，过远。thresholds = [(30, 100, -64, -8, -32, 32)] # 根据实际情况调整阈值。distance = 1 / blob.w() # 假设正方形的宽度为1米。img = sensor.snaps
ByteTracker行人跟踪核心代码解读
byteTracker中因为目标检测和行人跟踪是解耦的，因此这里主要分析的是byteTracker中的代码。也即是分析当给定一帧图片frame_id,给定这帧中的box列表，行人跟踪类是怎么跟踪每条轨迹的。也就是https://github.com/ifzhang/ByteTrack中位于目录tut
cuda11.2对应pytorch安装
cuda11.2对应pytorch安装。
【DarkLabel】使用教程（标注MOT数据集）
Open video第 2 处的内容为数据集类型。例如：VOC、COCO、MOT、YOLO等。第 3 处的内容为标签名称。可在中修改。第 4 处的内容为两种跟踪方法可选：插值法，每次一个目标。首先在第一帧点击Begin Interpolation，然后画目标bbox，按↓键往后几十帧，在找到该目标画
