AI：260 - YOLOv8改进涨点 | iAFF迭代注意力特征融合助力多目标检测精度提升
iAFF是一种基于注意力机制的特征融合方式，旨在逐步迭代特征图中的空间和通道维度信息。通过多个层次的注意力机制，该方法能够有效地融合来自不同尺度的特征信息，增强模型对小目标和细节的捕捉能力。相比传统的融合方法，iAFF不仅考虑了特征图中的全局信息，还能够对细粒度细节进行逐步增强，非常适合处理复杂多目
嵌入式AI---训练自己的yolov5目标检测模型
基于常用的轻量级检测算法yolov5s，在3060显卡训练了一个自己的车辆检测模型。源码版本为yolov5 v6.0，采用UA-DETRAC数据集训练。
在目标检测数据集上微调Florence-2
Florence-2是由微软开源的轻量级视觉-语言模型，采用MIT许可。该模型在任务如图像描述、目标检测、定位和分割中展示了强大的零样本和微调能力。图1。图示展示了每个任务所表达的空间层次和语义细粒度水平。来源：Florence-2：推进多种视觉任务的统一表示。该模型将图像和任务提示作为输入，并以文
目标检测 | YOLO v4、YOLO v5、YOLO v6理论讲解
目标检测：YOLO v4、YOLO v5与YOLO v6理论知识笔记，根据B站up霹雳吧啦Wz与CSDN博主路人贾的目标检测相关博文总结。
新能源风机视觉数据集
包含风机缺陷检测、机舱目标检测、风机部件分割、风机遥感检测等多场景的6+新能源风机视觉数据合集
嵌入式AI快速入门课程-K510篇 (第六篇 目标检测模型部署篇)
1.准备数据集2.数据预处理（可选）数据集成是将来自多个不同源的数据通过一定的思维逻辑或物理逻辑集成到一个统一的数据集合中。数据转换是将数据从一种表示形式变为另一种表现形式的过程。即将数据类型转换/数据语义转换数据粒度转换等。数据清洗是对一些没有用的数据进行处理的过程。很多数据集存在数据缺失、数据格
YOLOv5改进 | 注意力机制 | 二阶注意力网络来进行单图像超分辨率【附网盘完整代码】
yolov5改进，yolov5涨点，yolov5，SOCA
YOLO v8目标检测（三）模型训练与正负样本匹配
事件包含的信息量大小（事件发生的难度有多大）。小概率事件，它发生的难度比较大，所以有较大的信息量大概率事件，它发生的难度比较小，所以有较小的信息量概率和信息量是负相关的。
AI：256-优化YOLOv8 | 利用SENetV1提升目标检测性能的深入研究（保姆级代码）
SENetV1（Squeeze-and-Excitation Networks）由Jie Hu等人在2017年提出。其核心思想是通过引入SE模块来自适应地重标定通道特征的重要性，从而提升网络的表示能力和性能。
一文掌握YOLOv1-v10
YOLO目标检测算法，不过多介绍，是基于深度学习的目标检测算法中最出名、发展最好的检测器，没有之一。本文简要的介绍一下从YOLOv1-YOLOv10的演化过程，详细技术细节不过多介绍，只提及改进点，适合初学者当综述阅读，也适合有基础的同学用于复习回顾。
基于 YOLO V10 Fine-Tuning 训练自定义的目标检测模型
YOLO-V10 由清华大学提供，采用无 NMS 训练和效率-精度驱动架构，提供目前最先进的性能和延迟。
Datawhale AI 夏令营 CV Task 1 笔记
使用F1score、MOTA指标来评估模型预测结果。对每个json文件得到两个指标的加权求和，最终得分为所有文件得分取均值。12其中，F1 Score是 Precision（精度）和 Recall（召回率）的调和平均值，专注于检测模型的准确性和完整性。
AI：243-YOLOv8主干改进涨点 | 集成LSKNet提升遥感目标检测性能的探索与实现
LSKNet是一种结合了大核卷积和小核卷积的网络结构，通过融合不同感受野的特征，有效提升了对目标的识别能力。大核卷积有助于捕捉全局特征，而小核卷积则在保留局部细节方面表现出色。LSKNet特别适合处理具有复杂背景和多尺度目标的遥感图像。
详细记录swfit微调interVL2-8B多模态大模型进行目标检测（附代码）
目标检测任务已经不是一个新鲜事了，但是多模态大模型作目标检测任务并不多见，本文详细记录swfit微调interVL2-8B多模态大模型进行目标检测的过程，旨在让更多人了解多模态大模型微调技术、共享微调经验。实际上，interVL2-8B多模态大模型在该任务上微调后的表现并不好。与此同时，我们还就电力
[数据集][目标检测]集装箱缺陷检测数据集VOC+YOLO格式4127张3类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["Dent","Hole","Rust"]
权重共享的理解
在PyTorch中，权重共享是通过将多个层或模块的参数设置为同一个变量来实现的。这意味着这些层或模块在训练过程中会更新相同的权重，从而共享相同的特征表示。假设我们想要构建一个简单的网络，其中两个全连接层共享相同的权重和偏置。# 如果提供了权重和偏置，则直接使用else:else:创建一个共享权重的网
机器学习概述,深度学习,人工智能,无监督学习,有监督学习,增量学习,预处理,回归问题,分类问题
学习的核心在与改善性能，通过数据对算法的反复锤炼，不断提升函数预测的准确性，直至获得能够满。有些情况每个样本的每个特征值具体的值并不重要，但是每个样本特征值的占比更加重要。将学习过程和应用过程统一起来，在应用的同时，以增量的方式不断学习新的内容，边训练、边预测。根据样本数据，建立用于联系输出和输出的
深度学习目标检测入门COCO数据集
(str orstringroot 参数为图像所在的目录 annFile为标注文件所在的路径val2017:包含 COCO数据集2017 验证集 内容为图片 1Gcounts:如果"counts"为 [3,2,1,4]，则表示：3个背景像素2个前景像素1个背景像素4个前景像素。
MaskRCNN 在 Windows 上的部署教程
在’train’模式下，主要关注dataset、weights和logs参数，确保它们正确指向了训练所需的数据集、权重文件和日志目录。在’splash’模式下，除了上述参数外，还需要关注image或video参数，确保它们正确指向了要检测的目标图像或视频文件。同时，weights参数应指向一个已训练
AI：230-YOLOv8与RT-DETR的完美结合 | 重塑目标检测技术的前沿【保姆级教程】
YOLOv8 继承了 YOLO 系列的轻量化和高效性，通过优化网络架构和训练策略，实现了在主流数据集上的领先表现。然而，YOLOv8 的检测头仍采用经典的 anchor-based 设计，这在处理高密度或多尺度目标时可能存在局限性。RT-DETR 是最近提出的一种基于 Transformer 的目标
