【YOLOv5/v7改进系列】引入中心化特征金字塔的EVC模块
为了解决这个问题，作者提出了CFP，它首先在最深层的特征图上应用显式视觉中心方案，然后利用这些信息去调整较浅层的特征图。完成二后，在YOLOv7项目文件下的models文件夹下创建新的文件yolov7-tiny-evc.yaml，导入如下代码。完成二后，在YOLOv5项目文件下的models文件夹下
IoU已经out了，试试这几个变体:GIoU、DIoU和CIoU介绍与对比分析
GIoU、DIoU和CIoU这三个变体都有各自的独到之处,它们在一定程度上弥补了普通IoU在处理不重叠、距离较远或形状差异较大的边界框时的不足。
【猫狗数据集】宠物品种分类 计算机视觉 人工智能 机器学习 （含数据集）
宠物数据集，涵盖了各种猫和狗品种，包括阿比西尼亚猫、孟加拉猫、德国短毛指示犬、哈瓦那犬等。每张图像都经过精准标注，包含品种信息和位置数据。这个数据集不仅为研究提供了丰富的训练素材，也是深度学习模型的理想选择，旨在培养准确识别和分类各种宠物品种的算法。立即探索这个数据集，解锁宠物世界的无限可能！
Labelme AI 自动标注版使用说明【附下载链接】
Labelme 是一个开源的图像标注工具，主要用于机器学习和计算机视觉领域的数据集创建。能够帮助用户快速、方便地对图像进行标注，以便为训练模型提供高质量的数据。支持 jpg，jpeg，png，tif，tiff 图像格式，对图像进行多边形矩形、圆形、多段线、线段、点形式的标注，实现AI辅助标注，与手动
OMG-Seg：一个模型搞定所有分割任务的终极解决方案，大幅提升AI自动标注效率！
它采用了一种编码器-解码器架构，并使用任务特定的查询和输出来实现各种分割任务，显著简化了分割任务的部署。分割任务通常要求对图像或视频中的每个像素进行分类，传统上使用单独的模型来处理不同的分割任务，例如语义分割、实例分割、全景分割等。通过一个模型架构的多任务处理，OMG-Seg 展示了其在实际应用中的
【YOLOv5/v7改进系列】引入YOLOv9的RepNCSPELAN4
YOLOv9的几个主要创新点：Programmable Gradient Information (PGI):PGI是一种机制，用于应对深度网络中实现多目标所需要的多种变化。PGI提供完整的输入信息来计算目标函数，从而获得可靠的梯度信息以更新网络权重。PGI可以自由选择适合目标任务的损失函数，克服了
【YOLO5 项目实战】（3）PCB 缺陷检测
本文介绍通过 YOLOv5 对 PCB缺陷 进行实时检测。详细介绍（1）环境配置；（2）北大PCB缺陷数据集的处理；（3）使用YOLOv5 训练PCB缺陷模型；（4）使用训练的模型检测 PCB缺陷。
PP-Human行为识别（RTSP协议视频流实时检测）
用本地电脑的摄像头摄像并推流到RTSP服务器然后拉取视频流，利用PP-Human行为识别模块本地推理并将推理结果推流到RTSP服务器，最终通过 VLC 打开网络串流播放实时画面。
将 YOLOv10 部署至 LiteRT：在 Android 上使用 Google AI Edge 进行目标检测
点击下方卡片，关注“小白玩转Python”公众号介绍在大型语言模型（LLMs）兴起之前，边缘 AI 是一个热门话题，这得益于其在设备上直接运行机器学习模型的显著能力。这并不是说这个话题已经失去了相关性；事实上，许多科技巨头现在正将注意力转向在移动平台上部署 LLMs。虽然我们今天不会讨论生成性 AI
CVPR2024｜ 实时目标检测的变革：RT-DETR的突破性性能
实时目标检测领域一直由基于CNN的架构主导，YOLO检测器领先。然而，端到端的基于变换器的检测器（DETRs）的引入彻底改变了这一领域，尽管它们的计算成本很高。在本文中，作者介绍了实时检测变换器（RT-DETR），这是一个突破性的模型，不仅在速度和精度方面实现了最先进的（SOTA）性能，而且消除了传
RT-DETR: 实时目标检测的又一次进化
点击下方卡片，关注“小白玩转Python”公众号实时目标检测是一个具有广泛应用的关键领域，从物体跟踪到自动驾驶。想象一下，一辆能够实时检测行人和其他车辆的自动驾驶汽车，或一个可以同时跟踪多个移动物体的监控系统。这些系统的效率和准确性取决于其快速、准确地处理和分析视觉数据的能力。这就是实时目标检测的重
AI：297-深度优化YOLOv8小目标检测性能 | 基于自适应特征金字塔网络（AFPN）的创新改进策略
本文探讨了如何通过引入自适应特征金字塔网络（AFPN）来提升YOLOv8在小目标检测中的性能。AFPN通过对多尺度特征的精细化融合，增强了模型对不同尺度目标的感知能力，特别是对小目标的检测能力进行了有效提升。我们通过引入可学习权重参数和膨胀卷积等技术，进一步优化了AFPN结构，实验结果显示，结合这些
【Arxiv2023】Detect Everything with Few Examples
本文提出了小样本目标检测领域的SOTA方法DE-ViT，采用元学习训练框架。DE-ViT提出了一种新的区域传递机制用于检测框定位，并且提出了一种空间积分层来讲mask转化为检测框输出。DE-ViT相比之前的方法提升巨大，在COCO数据集上，10-shot提升15AP，30shot提升7.2AP。
AI：283-独创FRMHead| 超越YOLOv8与RT-DETR的下一代目标检测头
YOLO（You Only Look Once）系列是目标检测领域的佼佼者，其模型在精度和速度上不断取得突破。YOLOv8作为该系列的最新版本，已经在多个检测任务中展现了其强大的性能。然而，面对新兴的检测需求和挑战，我们需要进一步优化YOLOv8的检测头，以提升其检测精度和速度。本文将介绍一种全新的
AI：289-增强YOLOv8目标检测性能 | 通过EfficientNetV1改进特征提取层
EfficientNetV1的核心思想是通过均衡缩放（Compound Scaling）来优化网络结构。均衡缩放方法同时调整网络的深度、宽度和分辨率，以便在计算资源有限的情况下实现最佳性能。EfficientNetV1使用了一个高效的基本块——MBConv（Mobile Inverted Bottl
AI：295-深入改进YOLOv8小目标检测 | 基于Gold-YOLO的Neck结构优化与应用
在目标检测领域，YOLO (You Only Look Once) 系列凭借其实时性和高效性得到了广泛应用。然而，YOLO 在处理小目标检测时，往往表现出一定的局限性。为了解决这一问题，Gold-YOLO 提出了针对小目标检测的改进策略。本文将详细探讨如何利用 Gold-YOLO 的设计理念，优化
YOLOv8入门 | 从环境配置到代码拉取（下载）再到数据集划分又到实验运行
YOLOv8环境配置，数据集划分，启动命令
Segment-and-Track Anything配置以及使用说明
Segment-and-Track Anything视频分割超详教程
AI：285-YOLOv8改进深度解析 | DynamicHead检测头的原论文复现与性能评估
DynamicHead是YOLOv8中一个重要的改进组件，主要用于提高检测头的灵活性和适应性。该改进通过动态调整卷积核和特征图，从而更好地适应不同大小和形状的目标物体。DynamicHead的核心思想是根据输入图像的特征自适应地调整检测头的参数，以提高检测性能。
AI：282-ASFF改进YOLOv8检测头 | 提升目标检测精度的全新方法（全网首发）
YOLO（You Only Look Once）系列模型以其端到端的检测能力和高效性广泛应用于目标检测任务。YOLOv8是YOLO系列中的最新版本，其改进了特征提取、特征融合和检测头设计等多个方面。YOLOv8的检测头主要负责将从骨干网络中提取的特征图进行处理，以生成最终的检测结果。自适应空间特征融
