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。
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，
【Transformer系列（3）】 《Attention Is All You Need》论文超详细解读（翻译＋精读）
transformer开山之作《Attention Is All You Need》论文超详细解读（翻译＋精读）
毕业设计选题- 基于深度学习的海洋生物目标检测系统 YOLO 人工智能
毕业设计选题：基于深度学习的海洋生物目标检测，旨在设计和实现一种高效准确的算法来识别和检测海洋中的生物目标。通过采用深度学习技术，结合海洋生物图像数据集和目标检测模型，我们展示了如何训练一个能够在复杂水下环境中实现精准目标检测的算法。本研究的成果将有助于海洋生物学研究、环境监测和保护等领域的发展，为
【PaddleDetection】基于PaddleDetection的齿轮瑕疵检测：从模型训练到部署中的那些坑
本文的主要内容是一套利用百度飞桨深度学习平台下的目标检测套件实现目标检测任务（从模型训练到部署）的流程。本文中流程将最大限度地利用飞桨现有工具套件和API，以尽最大可能减少编程工作。本文所完成的任务来自“兴智杯”全国人工智能创新应用大赛：国产开发框架工程化应用赛，其主要内容为基于目标检测算法的齿轮瑕
基于yolov5的pyqt5目标检测图形上位机工具【附工程代码】
基于yolov5的目标检测上位机
ubutu下ros2实现小车仿真建模与目标检测
进入torch后使用Ctrl+f进行搜索，cuda对应的torch版本和你的python版本,一键安装ros2的时候会下载一个python2与python3，在终端输入python3就会得到python的版本。注：image_topic:=后是相机发布的话题名，将话题名改为相机所发布的话题名一致就能
图像分类综述
什么是图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。实际上，这意味着我们的任务是分析一个输入图像并返回一个将图像分类的标签。标签来自预定义的可能类别集。示例：我们假定一个可能的类别集categories = {dog, cat, eagle}，之后我们提供一张图1给分类系统：这里的目标
目标检测评价指标
检测精度指标：IoU、TP、TN、FP、FN、查准率、查全率、F1-Score、ROC曲线、P-R曲线、AP、mAP以及MS COCO评价指标和PASCAL VOC的评价指标的理解；检测速度指标：FPS、FLOPS和FLOPs
人工智能学习07--pytorch20--目标检测：COCO数据集介绍+pycocotools简单使用
如：天空coco包含pascal voc 的所有类别，并且对每个类别的标注目标个数也比pascal voc的多。一般使用coco数据集预训练好的权重来迁移学习。如果仅仅针对目标检测object80类而言，有些图片并没有标注信息，或者有错误标注信息。所以在实际的训练过程中，需要对这些数据进行简单筛选。
人工智能 - 目标检测：发展历史、技术全解与实战
本文全面回顾了目标检测技术的演进历程，从早期的滑动窗口和特征提取方法到深度学习的兴起，再到YOLO系列和Transformer的创新应用。通过对各阶段技术的深入分析，展现了计算机视觉领域的发展趋势和未来潜力。
人工智能学习07--pytorch23--目标检测：Deformable-DETR训练自己的数据集
主要是MultiScaleDeformableAttention包，如果中途换了torch版本，需要重新编译cuda，得到一个新的这个包，不然报错。下载链接：https://download.csdn.net/download/u010826850/21980492。deformable-detr
【机器学习】李宏毅-判断年收入
加入正则化的目的就是让模型的参数变小，使模型对数据敏感度下降，所以正则项的加入就是降低模型变化率的过程，变化率降低直观表现为模型更加平滑，使模型更加集中且增大了与真实模型之间的距离，也就是增大了偏移量bias，从而增强了高阶过拟合模型的泛化能力。用逻辑回归的方法生成的模型叫做判别模型，用高斯公式描述
【CV】在windows上安装和使用Yolo_mark
下载、安装、使用Yolo_mark面板中选择，把其中的默认路径更改为自己的opencv的相同文件夹的路径面板中选择，把其中的默认路径更改为自己的opencv的相同文件夹的路径，（右侧有小箭头下拉点击编辑可以更方便地更改），完成后点击确定保存。在VS中切换为，右键项目，点击，开始编译。编译完成后在文件
使用LabelMe标注目标检测数据集并转换为COCO2017格式
COCO数据集是模板检测中经典和标准格式，当我们使用LabelMe给目标检测打标签后，如何转换为COCO数据集格式呢？转换成功后又如何可视化COCO数据集检验是否标注和转换正确呢？
基于ros和openpcdet使用自己的雷达进行实时三维目标检测
使用openpcdet和ros进行实时三维检测，用自己的雷达。
【利用MMdetection3D框架进行单目3D目标检测（smoke算法】
mmdetection3d是OpenMMLab开发的3D目标检测开源工具箱，里面包含了许多经典的3D目标检测算法，包含了单目3D目标检测、多目3D目标检测、点云3D目标检测、多模态3D目标检测等各个方向。我们只需要把相应的算法权重下载下来，并调用相应接口即可进行检测。若下载速度很慢的话，可以在命令行
YOLOv5系列 1、制作自己的数据集
文章目录前言一、下载Labelme二、Labelme使用步骤1.打开Labelme2.Labelme标记数据集3.保存为json格式三、json格式转换为txt格式四、建立自己的Yolov5数据集前言本文所使用的Yolov5为6.1版本，所用为GPU版（亲测CPU也一样能跑，只是速度会慢很多），使用
目标检测 YOLOv5的loss权重，以及与图像大小的关系
YOLOv5中有三个损失分别是 box, obj, cls在超参数配置文件hyp.*.yaml中可以设置基础值，例如训练使用时，在train.py进行更新可以看到损失与nl（number of detection layers，检测层的层数，这里是3）和图像尺寸相关，与layers相关这个好理解，是
