- 博客(4)
- 收藏
- 关注
RSS订阅原创 【YOLOv1】:YOLO原理分析
1. 核心思想的价值YOLOv1提出的"单阶段端到端检测"范式具有里程碑意义，其将目标检测转化为回归问题的思路颠覆了传统的两阶段检测流程。这种全局处理方式虽在精度上存在妥协，但实现了质的效率突破（45 FPS），为实时检测系统奠定了基础。其核心价值在于证明了"看一次"（You Only Look Once）的可行性，这种思想影响了后续SSD、RetinaNet等单阶段检测器的发展。2. 设计亮点的启示网格化预测：通过7×7网格实现空间结构化编码，这种分而治之的策略简化了复杂场景的处理多任务耦合。
2025-06-30 01:01:34
1155
原创 【YOLOv8-x】:探寻YOLOv8 x模型及程序
《YOLOv8-x模型架构与实现分析》 摘要：本文深入解析了YOLOv8-x目标检测模型的架构设计。模型采用金字塔特征提取的Backbone（包含4个下采样阶段）和PAN-FPN结构的Neck，通过C2f、SPPF等创新模块实现高效特征提取。分析重点包括：1）YAML配置文件中的缩放系数（宽度系数1.25、深度系数1.0、最大通道数512）对模型参数的调整规则；2）架构图与代码实现的映射关系，特别是Backbone中的下采样节点和Head中的双向特征融合路径；3）核心模块（C2f、SPPF）的实现原理。研究
2025-06-20 21:57:09
2029
原创 【YOLOv8关键点检测】:用yolov8训练自己的数据集
摘要：本文构建了一套基于YOLOv8的鱼体头尾关键点检测系统，用于鱼类加工自动化生产线。数据集包含头部和尾部两个关键点标注，通过3.08M参数的轻量级模型实现高精度检测（mAP50达99.4%）。训练结果显示关键点检测精度优于边界框检测，推理速度达400FPS（RTX4060）。分析发现模型对遮挡样本的检测仍有优化空间，建议通过添加注意力模块和多尺度检测进行改进。该技术可有效提升鱼类加工自动化水平，具有显著的应用价值。
2025-06-17 11:19:17
3482
5
原创 YOLO算法环境安装和测试
本文详细介绍了如何配置深度学习环境以运行YOLO算法。首先，通过Miniconda安装并配置Python编程环境，并创建虚拟环境。接着，安装CUDA和Cudnn以支持GPU加速。然后，安装PyTorch深度学习框架的GPU版本，并选择与CUDA兼容的版本。之后，克隆Ultralytics的YOLO项目仓库，并安装必要的依赖库。此外，还介绍了如何安装和配置Pycharm和Vscode作为开发环境。最后，以YOLOv11为例，进行了算法预测测试，验证了环境的正确配置和算法的运行。整个过程涵盖了从环境搭建到算法测
2025-05-18 01:26:02
3106
6
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人