涨点技巧：Detect系列---Yolov5/Yolov7加入ASFF特征金字塔融合方法，涨点明显
多尺度特征特别是特征金字塔FPN是解决目标检测中跨尺度目标的最常用有效的解决方法，特征金字塔融合方法ASFF与yolov5/yolov7结合可以有效涨点
yoloV5更换BiFPN结合小目标检测层
小目标检测层结合BiFPN
Pytorch1.7复现PointNet++点云分割（含Open3D可视化）（文末有一个自己做的书缝识别项目代码）
毕设需要，复现一下PointNet++的对象分类、零件分割和场景分割，找点灵感和思路，做个踩坑记录。
最新版本 Stable Diffusion 开源 AI 绘画工具之图生图进阶篇
学好图生图，AI 即将取代打工人
【图像分割】Segment Anything（Meta AI）论文解读
Segment Anything（SA）项目：一个图像分割新的任务、模型和数据集。建立了迄今为止最大的分割数据集，在11M许可和尊重隐私的图像上有超过1亿个mask。该模型的设计和训练是灵活的，因此它可以将zero-shot（零样本）转移到新的图像分布和任务。实验评估了它在许多任务上的能力，发现它的
【第77篇】分割anything
本文提出Segment Anything (SA)项目:一个用于图像分割的新任务、模型和数据集。在数据收集循环中使用我们的高效模型，我们构建了迄今为止(到目前为止)最大的分割数据集，在1100万张授权和尊重隐私的图像上有超过10亿个掩码。该模型被设计和训练为可提示的，因此它可以将零样本迁移到新的图像
【Segment Anything】CV的大模型Segment Anything也来了，强人工智能的时代究竟还有多远？
我自己上传了一张图片，结果还是挺好的（我上传的图片比较简单）。由于自己的3090显存有限，无法使用。论文解读后续更新……
单目测距（yolo目标检测+标定+测距代码）
#目标检测 #单目测距 #相机标定 车辆行人测距
使用Python批量旋转，镜像图片
当我们进行大量图像处理时，经常需要旋转或镜像图像。但一张张处理图片费神又费力，有什么好的办法可以帮助我们快速搞定这个问题呢？本文介绍了使用python快速批量处理图片的方法~ 并提供了简易实现code，希望可以帮到大家~
ChatGPT使用案例之图像生成
到这里我们关于ChatGPT生成图像就已经介绍完了，可以看到的是只是有这个功能，还不够强大，目前只支持下面三种形式基于文本提示从头开始创建图像基于新的文本提示创建对现有图像的编辑创建现有图像的变体如果不满足需求，可以让ChatGPT 生成prompt,然后通过midjourney根据prompt生成
数字图像处理实验（直方图均衡化&规定化）
通常情况下，图像的直方图会呈现不平衡的状态，即图像的某些灰度级出现的次数很多，而其它灰度级出现的次数很少。通常情况下，图像的直方图会呈现不平衡的状态，即图像的某些灰度级出现的次数很多，而其它灰度级出现的次数很少。直方图规定化的具体做法是，首先计算出图像的直方图，然后根据直方图计算出每个灰度级的累计分
CVPR2023
CVPR2023
深入剖析Focal loss损失函数
目标检测方法常常使用先验框提高预测性能，一张图像可能生成成千上万的先验框，但是其中只有很少一部分能匹配到目标(正样本)，而没有匹配到目标的先验框占大多数。这种情况造成了One-Stage目标检测方法的正负样本不平衡。如下图所示，红色的先验框都没有匹配到目标，所以它们都属于负样本，只是图中间的黄色先验
基于深度学习的三维重建（一）：三维重建简介、patchmatchNet环境部署、用colmap如何测试自己的数据集
三维重建简介、patchmatchNet环境部署、用colmap如何测试自己的数据集
基于halcon与c#联合的视觉处理软件
1、视觉软件当我们所拿到一个视觉项目，如果有一个拖拽式视觉软件
分享15个全球顶尖的AIGC图片生成平台
人工智能正在改变许多行业的格局，而其中改变最直观和影响最大的就是AIGC领域的图像创作。发展至今已经有很多AI图像生成平台，他们的共同特点就是使用人工智能将文本转换为图像，这是一次革命性的突破，也就是说通过这些AI工具可以在几秒钟内将文字转换成更具可视化表示的图片。那么，就目前而已有那些AI生成图片
Opencv之图像滤波：1.图像卷积（cv2.filter2D）
1.图像卷积在OpenCV中，允许用户自定义卷积核实现卷积操作，使用自定义卷积核实现卷积操作的函数是cv2.filter2D（），其语法格式为：dst=cv2.filter2D（src,ddepth,kernel,anchor,delta,borderType） 式中： ● dst是返回值，表示进行
目标检测算法——YOLOv5/v7/v8改进结合即插即用的动态卷积ODConv（小目标涨点神器）
ICLR2022 助力YOLO | 动态卷积ODConv：大幅提升小目标检测能力！！！
使用c++onnxruntime部署yolov5模型并使用CUDA加速（超详细）
接到一个项目，需要用c++和单片机通信，还要使用yolo模型来做到目标检测的任务，但目前网上的各种博客并没有完整的流程教程，让我在部署过程费了不少劲，也踩了不少坑（甚至一度把ubuntu干黑屏）。于是想把训练及部署过程记录下来，并留给后来者方便使用。（博主使用的系统是ubuntu20.04）
YOLOv5源码逐行超详细注释与解读（4）——验证部分val（test）.py
全网最详细的YOLO源码解读之验证部分val.py。全文近5万字，代码逐行注释，逐段精讲！小白0基础必看！
