【深度学习】目标检测的性能评价指标，mAP_0.5，mAP_0.5,0.95,0.05
计算mAP之前先考虑我们有的数值：图片原label的bbox、模型预测的bbox、模型预测的bbox的置信度、模型预测的bbox中目标类别的分类置信度。此外，我们还需要确定“IoU数值阈值”和“置信度阈值”，模型的预测能满足“IoU数值阈值”与“置信度阈值”（NMS算法）的结果参与最终混淆矩阵计算。
旋转目标检测训练自己数据集+问题汇总
复现junjieliang大佬的旋转目标检测代码，将自己遇到的问题全部记录下来，包括数据集制作，训练与部署检测。
yolov3源码逐行详解（3.0版本）
次看主文件，在进入主函数中逐行调试，进而对代码全局有个了解。接下来就是主文件，train.py训练文件、test.py测试文件（用于训练中每个epoch的测试）、models.py模型文件、detect.py预测文件、requirements.txt其中是项目需要的环境配置。版本，主要是因为其中使用
Pyqt搭建YOLOv5目标检测系统（可视化界面+功能介绍+源代码）
系统支持输入图片、视频、摄像头和RTSP视频流的目标检测，其中，可以对图片进行处理，包括灰度化、平滑处理、均衡化、形态学、图像梯度、阈值处理、边缘检测、轮廓检测、直线检测、亮度调节和伽玛校正。
YOLOv5-Shufflenetv2
YOLOV5-Shufflenetv2
目标检测数据集之离线数据增强
目标检测数据集离线数据增强（1变10）
【计算机视觉】目标检测—yolov5自定义模型的训练以及加载
yolov5如何自定义训练模型？如何加载模型并进行解读
目标检测算法——YOLOv5/YOLOv7改进之结合特征提取网络RFBNet（涨点明显）
计算机视觉——致力于目标检测领域科研Tricks改进与推荐 | 主要包括Backbone、Neck、Head、普通注意力机制、自注意力机制Transformer，各种IoU Loss损失函数、NMS及各类激活函数替换、轻量化网络改进、数据增强策略以及其他视觉顶会创新点改进等等。
YOLOX改进之损失函数修改（上）
文章内容：如何在YOLOX官网代码中修改置信度预测损失环境：pytorch1.8损失函数修改内容：（1）置信度预测损失更换：二元交叉熵损失替换为FocalLoss或者VariFocalLoss（2）定位损失更换：IOU损失替换为GIOU、CIOU、EIOU以及a-IOU系列提示：使用之前可以先了解Y
yolov5模型原理及代码流程讲解（v6.1）
目标检测，yolov5
睿智的目标检测65——Pytorch搭建DETR目标检测平台
基于Transformer的目标检测一直没弄，补上一下。DETR可以采用多种的主干特征提取网络，论文中用的是Resnet，本文以Resnet50网络为例子来给大家演示一下。将靠前若干层的某一层数据输出直接跳过多层引入到后面数据层的输入部分。意味着后面的特征层的内容会有一部分由其前面的某一层线性贡献。
【YOLOv5实战4】基于YOLOv5的交通标志识别系统-模型测试与评估
【YOLOv5实战4】基于YOLOv5的交通标志识别系统-模型测试与评估
【YOLOv5-6.x】设置可学习权重结合BiFPN（Concat操作）
文章目录前言修改yaml文件（以yolov5s为例）修改common.py修改yolo.py修改train.py1. 向优化器中添加BiFPN的权重参数2. 查看BiFPN_Concat层参数更新情况前言这篇博客【魔改YOLOv5-6.x（中）】：加入ACON激活函数、CBAM和CA注意力机制、加权
目标检测算法——YOLOv5/YOLOv7改进结合涨点Trick之ASFF（自适应空间特征融合）
目标检测算法——YOLOv5/YOLOv7改进之结合涨点ASFF_Detect（自适应空间特征融合）。🚀🚀🚀NEW！！！魔改YOLOv5/YOLOv7目标检测算法来啦 ~💡💡魔法搭配计算机视觉领域各类创新新颖且行之有效的网络结构，平均精度均值mAP涨点明显，实验效果也俱佳。有需要的小伙伴可
YOLO v5 代码精读（1） detect模块以及非极大值抑制
YOLO 是目前最先进的目标检测模型之一，现在博客上常有的是如何使用YOLO模型训练自己的数据集，而鲜有对YOLO代码的精读。我认为只有对算法和代码实现有全面的了解，才能将YOLO使用的更加得心应手。这里的代码精读为YOLO v5，github版本为6.0。版本不同代码也会有所不同，请结合源码阅读本
YOLOV8 | 最先进的 YOLO 模型训练自己的数据集(持续更新中)
YOLOv8是Ultralytics最新的基于YOLO的目标检测模型系列，提供最先进的性能。
目标检测算法——收藏|小目标检测难点分析（二）
目标检测算法——收藏|小目标检测难点分析（二）。可利用特征少无论是从基于绝对尺度还是基于相对尺度的定义，小目标相对于大/中尺度尺寸目标都存在分辨率低的问题。低分辨率的小目标可视化信息少，难以提取到具有鉴别力的特征，并且极易受到环境因素的干扰，进而导致了检测模型难以精准定位和识别小目标。
Jetson NX + yolov5 v5.0 + TensorRT加速+调用usb摄像头
TRT] Parameter check failed at: ../builder/Network.cpp::addScale::482, condition: shift.coun上一篇,测试效果如下本篇文章具体操作步骤如下就可以了，切记版本要对应 ，我产生这个错误的原因就是版本问题，成功转换但
【目标检测实战学习】数据增强的几种方法：cutout，mixup，mosaic，rotate，HSV，随机抖动实战
最近在学习数据增强方面的东西，简单做个记录首先需要强调的是，数据增强是目标检测流程中的一个过程，通常是在对数据集完成打标签之后，在划分数据集之前，为了增大数据集的数量，获取更多的特征，采用的一种方式。所以，在实战的过程中，不仅仅要对图像进行操作，还要对已经打好的标签（VOC数据集的xml文件）进行同
Transformer | DETR目标检测中的位置编码position_encoding代码详解
Transformer不像RNN可以根据位置顺序接受和处理单词，所以为了得到词的位置信息，将位置信息添加到每个词的嵌入向量中，这称为位置编码。DETR中提供了两种编码方式，一种是正弦编码（PositionEmbeddingSine），一种是可以学习的编码(PositionEmbeddingLearn
