overfit同步小助手
文章同步
【机器学习之模型融合】Stacking堆叠法
Stacking堆叠法原理透析与应用
YoloV5+DAMOYOLO:将DAMOYOLO中的GFPN结构与Yolov5结合
前段时间写了一篇damoYolo的训练教程，同时也对自己的数据集进行了训练，虽然效果确实不是很好，但是damoyolo的一些思想和网络结构啥的还是可以借鉴使用的，此次将damoyolo的RepGFPN结构掏出来放到v5的NECK中，测试一下对本人的数据集(小目标)效果比v5要好，大概提升2个点左右。
【安装教程】Windows10/11安装detectron2教程
由于Facebook的detectron2没有对windows平台做官方支持，所以在安装的时候发生了很多问题，于是有了这篇问题记录的贴子。截至2022.11.28GitHub上detectron2的版本为0.6。如果文章对你有帮助请给我一个小小的赞。
YOLOv5、YOLOX、YOLOv6的分析与比较
简单分析了近些年YOLO系列的进步和发展方向
YOLOv5输出端损失函数
YOLOv5输出端
代理模型介绍大全
代理模型通常是指在优化设计中可替代比较复杂和费时的数值分析的近似数学模型，也可称为响应面模型或者是近似模型，比如飞行器的优化设计，就是典型的复杂和费时。此外在做优化设计时，难免会碰见一些难以用直观的函数表达式去表达目标函数，这时也可用代理模型来替代目标函数。使用代理模型可以极大的提高优化设计效率以及
yolov5 训练结果解析
yolov5 训练结果解析在每次训练之后，都会在runs-train文件夹下出现一下文件，如下图：一：weights包含best.pt（做detect时用这个）和last.pt（最后一次训练模型）二：confusion1：混淆矩阵：①：混淆矩阵是对分类问题的预测结果的总结。使用计数值汇总正确和不正确
图像质量评价指标metrics：PSNR 、SSIM、LPIPS
是基于对应像素点间的误差，即基于误差敏感的图像质量评价，由于并未考虑到人眼的视觉特性（人眼对空间频率较低的对比差异敏感度较高，人眼对亮度对比差异的敏感度较色度高，人眼对一个 区域的感知结果会受到其周围邻近区域的影响等），因而经常出现评价结果与人的主观感觉不一致的情况。必须满足两张图像的size要完全
使用YOLOv5训练自己的数据集
使用YOLOv5训练自己的数据集
CSS6大种选择器(超详细!!!!!!)
注意：1.所有的标签上都有class属性，class属性的属性值成为类名（类似于起了一个名）/* 选择属性名为title和属性值以ab结尾的元素，设置字体为30px *//* 选择属性名为title和属性值以ab开头的元素，设置背景色黄色 *//*选择属性名为title和属性值为ab的元素 ,设置字
脑电EEG代码开源分享 【4.特征提取-时域篇】
特征提取作为承上启下的重要阶段，承上，紧接预处理结果和可视化分析，对庞大的原始数据进行凝练，用少量维度指标表征整体数据特点；启下，这些代表性、凝练性的特征指标量化了数据性能，为后续的认知解码、状态监测、神经调控等现实需求提供参考。本文特征主要为手动设置的经验特征，大多源于脑科学及认知科学的机制结论，
（pytorch）LSTM自编码器在西储数据的异常检测
别睡啦，起来搞学习！学pytorch！
基于Pytorch实现的声音分类
前言本章我们来介绍如何使用Pytorch训练一个区分不同音频的分类模型，例如你有这样一个需求，需要根据不同的鸟叫声识别是什么种类的鸟，这时你就可以使用这个方法来实现你的需求了。源码地址：https://github.com/yeyupiaoling/AudioClassification-Pytor
最新CUDA环境配置教程(ubuntu 20.04 + cuda 11.7 + cuDNN 8.4)
ubuntu 20.04 CUDA 11.7 cuDNN 8.4 环境配置教程 ubuntu 20.04 CUDA 11.7 cuDNN 8.4 环境配置教程1.查看是否有合适的GPU2.查看系统版本,我用的是ubuntu 20.04:3.验证系统GCC版本:4.通过下面的地址下载安装包:这里奉劝各
Anaconda更改虚拟环境安装路径+创建虚拟环境
Anaconda更改虚拟环境安装路径+创建虚拟环境
最新｜全新风格原创YOLOv7、YOLOv5和YOLOX网络结构解析图
分享一下绘制的全新风格 YOLOv5网络结构图、YOLOv7网络结构图和YOLOX网络结构图
Ai绘画工具有哪些？推荐这7款效果惊艳的AI绘画神器
2022虽然不是ai绘图这项技术诞生的时间，但却是到目前为止最爆火出圈的绘图元年。AI绘图（AI painting）就是以文生图（text2image），属于跨模态生成（Cross-modal generation）的一种：指的是将一种模态（文本、图像、语音）转换成另一种模态，同时保持模态之间的语义
padding(卷积中的填充)
一个6x6的图像，3x3的卷积核，每一行卷积的过程类似，如图卷积核每走一步（第一个黑框到第一个绿框），输出一个像素。所以要计算卷积后图像的大小，需要知道图像大小及卷积核大小。(6-3)+1的结果为4，所以得到的卷积图像大小为4x4。公式为(图片大小 - 卷积核大小) + 1，这里的(图片大小 - 卷
【第十七届智能车】智能车图像处理（3）-元素识别（十字）
智能车十字的识别与循迹过程