YOLOv8训练自己的数据集
YOLOv8发布，撸起袖子加油卷
改进YOLOv5/YOLOv7——魔改YOLOv5/YOLOv7提升检测精度（涨点必备）
🎄🎄魔改YOLOv5/YOLOv7目标检测算法——各位小伙伴可根据自身研究方向及专业领域自主搭配各类创新新颖且行之有效的网络结构，以此实现论文实验高效涨点。主要包括主干网络改进、轻量化网络、注意力机制、检测头部改进、空间金字塔池化、损失函数及NMS改进、视觉顶会创新点改进以及算法训练相关项目等等
【深度学习时间序列预测案例】零基础入门经典深度学习时间序列预测项目实战（附代码+数据集+原理介绍）
本专栏整理了《深度学习时间序列预测案例》，内包含了各种不同的基于深度学习模型的时间序列预测方法，例如LSTM、GRU、CNN（一维卷积、二维卷积）、LSTM-CNN、BiLSTM、Self-Attention、LSTM-Attention、Transformer等经典模型，包含项目原理以及源码，每一
YOLOv5/v7 更换骨干网络之 MobileNetV3
YOLOv5 框架引入 Google 轻量化网络 MobileNet V3
AAAI | 达摩院经典自适应多域联合优化训练框架及其应用
本文简要介绍一下我们在AAAI上的论文"Robust Optimization over Multiple Domains"。在这篇文章中，我们提出了一种新的优化方法，通过自适应的多域联合优化框架使得模型在多个域上都能取得较好的识别效果。
23年 车辆检测+车距检测+行人检测+车辆识别+车距预测（附yolo v5最新版源码）
运用yolov5进行车距检测，车辆识别，行人识别，车牌检测！
扩散模型diffusion model用于图像恢复任务详细原理 (去雨，去雾等皆可)，附实现代码
扩散模型原理公式推导，以及如何将扩散模型应用于图像恢复任务，包括可运行实现代码
YOLOv7保姆级教程（个人踩坑无数）----训练自己的数据集
从零开始，保姆级yolov7教程助你脱离新手村。
官方正品 | Ultralytics YOLOv8算法来啦（尖端SOTA模型）
🚀🚀YOLOv8 是 Ultralytics 开发的 YOLO（You Only Look Once）物体检测和图像分割模型的最新版本。YOLOv8是一种尖端的、最先进的SOTA模型，它建立在先前YOLO成功基础上，并引入了新功能和改进，以进一步提升性能和灵活性。
Pytorch+PyG实现GraphConv
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
新手小白如何租用GPU云服务器跑深度学习
如何租用gpu跑深度学习
PyTorch深度学习-06逻辑斯蒂回归（快速入门）
本文详细介绍PyTorch深度学习的逻辑斯蒂函数，包括为什么要用逻辑斯蒂函数、比较回归与分析的不同、怎样将实数集映射到0-1区间，逻辑斯蒂函数模型及损失函数、逻辑斯蒂函数模型与线性函数模型的代码比较、完整代码及结果
深度学习做不了什么事
本文源自一次讨论深度学习缺陷的推文风暴，斯坦福大学的Bharath Ramsundar，在用深度学习进行药物研究的过程中发现，深度学习做不到事情其实有很多，比如无法鉴别对抗样本、处理不好高维数据、不能一边训练一边推断……尽管如此，我还是怀疑深度神经网络不足以实现通用人工智能，当然，这可能只是我的偏见
学术科研无从下手？27 条机器学习避坑指南，让你的论文发表少走弯路
如果你刚接触机器学习不久，并且未来希望在该领域开展学术研究，那么这份为你量身打造的「避坑指南」可千万不要错过了。
YOLO算法创新改进系列项目汇总（入门级教程指南）
🎄🎄改进YOLOv5/YOLOv7——致力于目标检测领域科研Tricks改进与推荐 | 主要包括主干网络改进、轻量化网络、注意力机制、检测头部改进、空间金字塔池化、损失函数及NMS改进、视觉顶会创新点改进以及算法训练相关项目等等。
GRU实现时间序列预测(PyTorch版)
本篇文章我们采用了经典的循环神经网络GRU来对我们的时序数据建模处理，作为该专栏的第一篇文章，本篇将详细介绍项目的每个实现部分以及细节处理，帮助新手小白快速建立起如何处理时序数据的框架。
YOLO v8详解
通过C3代码可以看出，对于cv1卷积和cv2卷积的通道数是一致的，而cv3的输入通道数是前者的2倍，因为cv3的输入是由主梯度流分支（BottleNeck分支）依旧次梯度流分支（CBS，cv2分支）cat得到的，因此是2倍的通道数，而输出则是一样的。C3模块，其主要是借助CSPNet提取分流的思想，
YOLOv8训练自己的数据集(超详细)
YOLOv8训练自己数据集的详细教程
Pytorch+PyG实现MLP
本专栏整理了《图神经网络代码实战》，内包含了不同图神经网络的相关代码实现（PyG以及自实现），理论与实践相结合，如GCN、GAT、GraphSAGE等经典图网络，每一个代码实例都附带有完整的代码。
文本生成图像简述4——扩散模型、自回归模型、生成对抗网络的对比调研
各种各样的模型已经开发用于文本到图像的生成，模型主要可以分为三大类：扩散模型（Diffusion Model）、自回归模型（Autoregressive Model）、生成对抗网络模型（Generative Adversarial Networks），下面梳理一些近几年重要的模型并对比这三种方法的优
