首页
首页
BOT
沸点
课程
直播
活动
AI刷题
NEW
商城
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
YOLO系列
Venzhy
创建于2023-01-16
订阅专栏
RCNN系列基础和YOLO系列基础
等 5 人订阅
共24篇文章
创建于2023-01-16
订阅专栏
默认顺序
默认顺序
最早发布
最新发布
23. YOLOv8+TensorRT
1. TensorRT 简介 TensorRT 是为了模型高效部署推理的优化器。 多GPU训练 → 单GPU部署推理:一般的深度学习项目,训练时为了加快速度,会用GPU分布式训练。但在部署推理时,为了
22. YOLOv8+OnnxRuntime
1.1 模型部署 训练好的模型在特定软硬件平台下推理 针对硬件优化和加速的推理代码 1.2 推理流程 训练框架:PyTorch、Keras、TensorFlow、MXNet训练 --> 中间表示:ON
21. YOLOv5 代码梳理
学了这么久的代码了,我尝试汇总一下近段时间的思路,如有问题,后续会继续更正!保持学习! 训练函数计算过程: 验证/测试过程:
20. YOLOv5源码train.py解读
运行train.py的流程: 加载包的导入 加载每个函数的头部 找到程序入口if __name__ == "__main__" 按顺序执行 main程序入口 parse_opt加载参数 main配置参
19. YOLOv5源码loss.py解读
(loss.py) 进入ComputeLoss的__init__函数: (train.py) 每个epoch中,开始迭代每个batch的数据并获取一个batch的损失: (loss.py)loss.p
18. YOLOv5源码val.py解读
在此声明: 1. 我们是按task='test'来过这个val.py模块的。 2. 我们用的是自己的数据集:有3个类别,{0:HP,1:LP,2:NE};124张图;batch_size32
17. YOLOv7
本人参加了人工智能创作者扶持计划,包括YOLOv7的使用环境、YOLOv7的结构:E-ELAN、RepConv等创新点
16. 必会--Focal Loss
对focal loss一直不怎么了解,现在特地整理了一番。这个函数做了两件事:1. 控制难易区分的样本loss权重 2.控制正负样本loss权重。
15. 必会--NMS
NMS 算法: NMS发生在目标检测算法的最后一步,计算mAP的前一步。 NMS 步骤:排序、计算IoU、遍历所有框、遍历所有类、跨类比价。
14. 必会--mAP计算
掘金日新计划第4天 :回顾IoU和查准率,查全率。mAP的计算步骤。关COCO数据集的mAP计算过程。
13. YOLOv5
YOLO 增加的点子,并不多了,把CSP结构应用在了Neck的PAN上,然后数据增强,训练技巧等,其余的改变并不多。
12. YOLOv4
今天为大家讲解YOLO v4,这里面涉及很多trick,我们只是捡出来一些重要的:网络结构(CSP+SPP+PAN),数据增强,定位函数等
11. YOLOv3
YOLO v3继承了YOLO v2的BN、距离、预测偏移。主要创新在于YOLO v3改变结构,添加了残差结构、FPN结构。
10. YOLOv2
YOLO v2添加了7个主要的tricks显著添加了检测精度。主要的是:BN层、分辨率、Anchor、k-means、约束回归参数、特征融合、多尺度训练
9. FCOS网络
看累了基于Anchor的网络结构了,今天想来点不一样的~。今天为大家讲解Anchor free的FCOS结构。
6. SSD算法
SSD像Faster RCNN:尺度大小固定的default box,损失函数相同。SSD像YOLO:一次扫描不提前提取候选特征,对每层进行预测。
7. RetinaNet
RetinaNet能够在实现和one-stage同等的速度基础上,在精度上超越所有(2017年)two-stage的检测器。1.网络结构2.正负样本不均衡。
8. YOLOv1
本篇介绍了one-stage中的入门网络yolo v1,该网络不用提取候选特征,直接通过图片中划分区域→标注分类和bounding box→预测类别和位置。
5. FPN算法
《Feature Pyramid Networks for Object Detection》 FPN构建了一个可以进行端到端训练的特征金字塔。 通过CNN网络的层次结构高效的进行强特征计算。
4. Faster RCNN细节
Faster RCNN的几个重要细节又进行了重新学习。主要是分类网络、anchor的生成,接下来一篇主要通过代码去详细。
下一页