CV10_模型、特征图、CAM热力图可视化
https://www.bilibili.com/video/BV17i421U73P/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
AI：217-保姆级YOLOv8改进 | 基于新型损失函数的目标检测性能提升研究
InnerIoU（内部交并比）损失函数考虑了目标框内部的重叠区域，旨在更加精确地评估检测框与真实框之间的重叠程度。本文介绍了四种新型损失函数：InnerIoU、InnerSIoU、InnerWIoU和FocusIoU，并详细分析了它们的数学原理和优缺点。通过实验结果验证了这些损失函数的有效性，尤其是
AI：218-保姆级YOLOv8细节检测改进 | 利用CARAFE上采样方法提升目标检测精度
CARAFE是一种基于内容感知的特征重组上采样方法。它主要通过利用特征图的局部上下文信息来进行内容感知的特征重组，从而提高上采样的精度。与传统的上采样方法（如转置卷积、双线性插值）相比，CARAFE能够更好地保留和增强特征图中的细节信息，对于提升目标检测的细节精度有显著效果。本文详细介绍了如何通过引
AI：214-改进YOLOv8目标检测网络 | 引入注意力机制、优化C2f、卷积层、Neck和检测头的综合提升
YOLOv8的网络结构大致分为四个部分：Backbone、Neck、Head和输出层。Backbone用于提取图像特征，Neck用于特征融合和增强，Head用于目标分类和定位。
AI：213-引入ODConv提升YOLOv8性能 | 动态卷积在目标检测中的应用与优化【保姆级实操】
ODConv是一种新型卷积操作，其核心思想是动态调整卷积核的参数，以适应不同的输入特征。ODConv通过引入多个维度的动态卷积，能够更好地捕捉空间和通道维度上的特征关系，从而提升模型的表达能力。
＜数据集＞棉花识别数据集＜目标检测＞
YOLO与VOC格式的棉花开花程度识别数据集，适用于YOLO系列、Faster Rcnn、SSD等模型训练，类别：Bacterial Blight、Curl virus、Fussarium wilt、Healthy
【AI大模型】Transformers大模型库（十一）：Trainer训练类
在Hugging Face的Transformers库中，Trainer类是一个强大的工具，用于训练和评估机器学习模型。它简化了数据加载、模型训练、评估和日志记录的过程。
海康工业相机触发模式抓图和AI目标检测
本文实现用海康工业相机，触发模式，开发调试用软件触发，实际用硬件触发抓图，调用目标检测接口
人工智能--目标检测
区域卷积神经网络（Region-based Convolutional Neural Network，R-CNN）是目标检测领域的一个重要里程碑，为后续更先进的目标检测算法奠定了基础。🍈R-CNN 的详细工作原理R-CNN（Region-based Convolutional Neural Net
使用粒子滤波（particle filter）进行视频目标跟踪
粒子滤波是一种贝叶斯滤波方法，主要用于非线性、非高斯动态系统中的状态估计。它通过使用一组随机样本（称为粒子）来表示状态的后验概率分布，并通过这些粒子的加权平均来估计状态。
OrangePi AI pro开发板首次上手体验目标检测实例，如此高效敏捷的开发方式令人震惊！
OrangePi AI pro 开发板
目标检测评价指标Precision、Recall、mAP
目标检测评估指标
【人工智能Ⅱ】实验6：目标检测算法
实验6：目标检测算法一：实验目的与要求1：了解两阶段目标检测模型 RCNN或Faster RCNN模型的原理和结构。2：学习通过RCNN或Faster RCNN模型解决目标检测问题。二：实验内容常用的深度学习框架包括PyTorch和PaddlePaddle等，请选择一种深度学习框架，完成后续实验。2
在CPU上进行完整版yolov5项目跟练记录
接下来选择模型，由于数据集样本较少，所以选择精度更高的yolov5l，将yolov5-master\models路径下的yolov5l也复制进yolov5-master\catndog目录下，并重命名为yolov5l_cat.yaml。将yolov5-master\data路径下找到128.yaml
【飞桨AI实战】交通灯检测：手把手带你入门PaddleDetection，从训练到部署
本次分享将带领大家从0到1完成一个目标检测任务的模型训练评估和推理部署全流程，项目将采用以PaddleDetection为核心的飞浆深度学习框架进行开发，并总结开发过程中踩过的一些坑，希望能为有类似项目需求的同学提供一点帮助。
【毕业设计】基于深度学习的苹果树叶面病虫害识别算法系统 python 人工智能 CNN
毕业设计-基于深度学习的苹果树页面病虫害识别算法系统的毕业设计。随着果树病虫害对果农产量和质量的威胁日益严重，开发一种高效准确的病虫害识别系统具有重要意义。该系统利用深度学习技术，结合大量的苹果树页面图像数据集，实现了自动化的病虫害识别功能。通过对苹果树页面图像进行处理和分析，系统能够快速准确地检测
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，
