【模型部署】Jetson Xavier NX（eMMC）部署YOLOv5-5.0
在Jetson Xavier NX中部署YOLOv5-5.0，并使用TensorRT进行加速推理
YOLOv5、v7改进之二十八：ICLR 2022涨点神器——即插即用的动态卷积ODConv
作为当前先进的深度学习目标检测算法YOLOv5、v7系列算法，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。此后的系列文章，将重点对YOLO系列算法的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己
模式识别与图像处理课程实验二：基于UNet的目标检测网络
从运行结果可以看出，用Unet网络训练目标数据集，可以对数据集的道路目标实现准确的检测。从大量的数据集中进行测试，在CPU上运行，Unet网络测试数据用了将近10小时的训练时间。但是，得到的目标检测的结果是非常准确的。
目标检测YOLO系列算法的进化史
本文中将简单总结YOLO的发展历史，YOLO是计算机视觉领域中著名的模型之一
YOLOv7（目标检测）入门教程详解---环境安装
零基础入门yolov7 从环境安装到推理训练，再到c++实现yolov7
【深度学习前沿应用】目标检测
【自然语言处理（NLP）】目标检测，基于百度飞桨开发，参考于《机器学习实践》所作。
报错：Torch not compiled with CUDA enabled看这一篇就足够了
报错：Torch not compiled with CUDA enabled看这一篇就足够了
【深度学习】（五）目标检测——下篇
上一章介绍了目标检测上篇，主要为两阶段检测的R-CNN系列。这一章来学习一下目标检测下篇。R-CNN系列算法面临的一个问题，不是端到端的模型，几个构件拼凑在一起组成整个检测系统，操作起来比较复杂。而今天介绍的YOLO算法，操作简便且速度快，效果也不错。YOLO算法是一种典型的one-stage方法，
深度学习目标检测模型综述
由于这些系统有两个独立的步骤，它们通常需要更长的时间来生成候选，具有复杂的架构并且缺乏全局上下文。它通常被视为一个有监督的学习问题。使用经过训练的大型网络来训练较小的模型，称为蒸馏，也显示出有趣的结果。可以看出，尽管大量目标检测器实现了出色的准确性并实时执行推理，但这些模型中的大多数都需要过多的计算
手把手带你调参最新 YOLOv7 模型 (最新版本)（一）
YOLO科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
欢度中秋节！从零开始实现一个月饼检测器
程序员的中秋就是这么朴实无华
基于YOLOV7的openpose人体姿态检测识别，FPS可以达到“较高”的效果
前不久yolov7（原yolov4团队）在yolov6（美团）开源不到两周的时间也更新了，如下图所示，yolov7效果比前面的版本确实牛逼，在精度相同的情况下，速度上面提升了一大截，但是这是在比较好的设备上面；YOLOv7 的发展方向与当前主流的实时目标检测器不同，研究团队希望它能够同时支持移动 G
有效涨点！用于低分辨率图像和小物体的新 CNN 模块SPD-Conv
卷积神经网络(CNN)在图像分类、目标检测等计算机视觉任务中取得了巨大的成功。然而，在图像分辨率较低或对象较小的更困难的任务中，它们的性能会迅速下降。这源于现有CNN体系结构中一个有缺陷但却很常见的设计，即使用和/或池化层，这导致了细粒度信息的丢失和较低效率的特征表示的学习。为此，我们提出了一种新的
改进YOLOv5系列：7.改进DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS
Soft-NMS,DIoU-NMS,SIoU-NMS,EIoU-NMS,CIoU-NMS,GIoU-NMS,Soft-CIoUNMS,Soft-SIoUNMS,...
Ubuntu20.04部署yolov5目标检测算法，开发板/无人机应用
FireFlyRK3588开发板上烧录的Ubuntu20.04系统，在此基础上线部署下简单的Python版本yolov5代码，目前博主已全部转为C++版本了，并且转化了pt模型为rknn模型，调用npu进行推理，效果和速度都比原先Python代码好很多。本篇主要介绍如何部署和运行yolov5目标检测
Keras深度学习实战（14）——从零开始实现R-CNN目标检测
R-CNN 是基于候选区域的经典目标检测算法，其将卷积神经网络引入目标检测领域。本文首先介绍了 R-CNN 模型的核心思想与目标检测流程，然后使用 Keras 从零开始实现了一个基于 R-CNN 的目标检测模型，最后介绍了非极大值抑制用于移除相似的预测边界框。......
史上最详细人脸检测libfacedetection讲解---第一节
以下是关于我个人对libfacedetection（人脸检测-pytorch）的所有见解，如有错误欢迎大家在评论区指出，我将会第一时间纠正。据说，人脸检测速度可以达到1000FPS，到底结果如何，我们来一探究竟。
Keras深度学习实战（13）——目标检测基础详解
目标检测一直是计算机视觉领域最具有挑战性的问题之一，同时也是具有广泛应用场景的任务之一。本节中，首先介绍了目标检测的基本概念，然后介绍了如何制作用于训练目标检测模型的数据集，最后讲解了如何生成候选区域和常用于目标检测模型性能评估的指标。通过介绍目标检测中的相关技术，为接下来实现目标检测算法奠定基础。
【OpenCV】车辆识别 目标检测 级联分类器 C++ 案例实现
本文继续以车辆识别为目标，继续改进方法以此提高车辆识别进准度，核心的内容包括：OpenCV级联分类器概念、创建自己的级联分类器以及使用级联分类器对车流进行识别
YOLOv6算法新鲜出炉--训练自己数据集过程
YOLOv6算法背景：YOLOv6 是美团视觉智能部研发的一款目标检测框架，致力于工业应用。本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中：YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS；YOLOv6-s 在 COCO
