学习笔记（5):第三章：YOLO系列目标检测-模型优化模块解析及功能介绍-04

最新推荐文章于 2025-03-07 23:04:11 发布
最新推荐文章于 2025-03-07 23:04:11 发布
阅读量376 收藏 2
点赞数
分类专栏： 研发管理 文章标签： 人工智能 计算机视觉 应用
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
路人贾的博客
03-03 21万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
目标检测YOLO实战应用案例100讲-基于深度学习目标检测的白细胞分类技术研究
qq_36130719的博客
07-04 795
白细胞（White Blood Cell，WBC）是血液的主要组成部分，也是人体免疫系 统中极其重要的安全卫士，它们可以清除细菌，抵抗感染，为人体健康筑起坚固 的防线。在血常规计数领域，常常把白细胞分成单核细胞、粒细胞和淋巴细胞[ 7]。粒细胞（Granulocyte）由骨髓中的造血干细胞分化而成，是一类细胞质中包含颗 粒体的白细胞，根据在瑞氏染色下的表现可进一步分为嗜碱性粒细胞（Basophil）、 嗜酸性粒细胞（Eosinophil）和中性粒细胞（Neutrophil）。
代理模型的优化模块 优化工具箱
01-30
这个是进行优化的优化工具箱，其中包含了各种优化算法，如径向基神经网络，粒子蚁群算法，GA算法等等，程序包中包含了几十个算例，方便大家进行学习，另外，程序也写了程序说明，内部理论进行了大量阐述。
学习笔记（7):第三章：YOLO系列目标检测-模型优化模块解析及功能介绍-05
autonomous_csdn的博客
07-29 387
本章节详细讲解YOLO系列模型，并通过实战项目的操作，掌握模型的原理及应用。
Yolo v8自学笔记（超详细，逐模块学习，deepseek指导）
最新发布
qq_62954485的博客
03-07 3258
Yolo v8 通过deepseek指导，逐模块学习
目标检测中的常用模块总结
qq_37546267的博客
08-13 1055
FPN 一个自底向上的线路，一个自顶向下的线路，横向连接（lateral connection）。图中放大的区域就是横向连接，这里1*1的卷积核的主要作用是减少卷积核的个数，也就是减少了feature map的个数，并不改变feature map的尺寸大小。 pytorch实现 import torch import torch.nn as nn import torch.nn.functional as F def conv_bn(inp, oup, stride = 1, leaky = 0):
yolov3前向传播（二）-- yolov3相关模块的解析与实现（二）
m0_43609475的博客
07-30 607
yolov3相关模块的解析与实现（二） 接上一篇 三、上采样函数 作用：用于将特征图扩展到想要的尺寸大小，和其他特征叠加到一起使用。 上采样的方法为近邻差值法 上采样函数的实现 # 定义上采样函数 def _upsample(inputs, out_shape): ''' :param inputs: 输入 类型tensor 形状 [batch, height_in, width_in, channels]. :param out_shape: 调整后的tensor的形状 类
目标检测损失函数（二）DIOU、CIOU、ALPHA IOU
wuhao1205的博客
05-10 5673
在前文中讨论了IOU与GIOU。 http://t.csdn.cn/sqcPdhttp://t.csdn.cn/sqcPd
目标检测YOLO实战应用案例100讲-基于深度学习的无人机目标检测算法轻量化研究
qq_36130719的博客
08-01 1310
在Darknet深度学习框架支撑下，注重精度速度均衡化的YOLO系列算法结 合新算法思想，不断推陈出新。而YOLO系列经典算法YOLOv3，继承了YOLOv1、 YOLO9000[ 61]算法精度高、推理速度块、检测种类多的优势，综合提高了各大尺 度目标的检测精度，算法思想如下：(1) 基于残差网络构建的骨干网络Darknet53，基本模块为下采样和残差块 的连续组合，详细结构见表2.1。下采样模块一方面可以降低网络计算量，另一 方面也增大了感受野，提高对大目标的检测性能；
深度学习笔记（六）——YOLOv5的两个模块
m0_58378112的博客
06-13 929
目标检测涉及到物体的分类及边界框的确定。对于物体的分类用混淆矩阵衡量。对于边界框的回归用IoU(交并比）。 单阶段目标检测：YOLO、SSD、Retina-Net 双阶段目标检测：RCNN、SPPNet、Fast RCNN、Faster RCNN。
目标检测YOLO实战应用案例100讲-基于深度学习的人眼视线检测（续）
qq_36130719的博客
11-11 348
如4.2.2节所述，双阶段视线检测网络由人眼区域检测网络和眼部关键点检测网络级 联而成。对于人眼区域检测网络，输入为一张人脸图片，输出为检测框类别、中心x坐标、 中心y坐标、宽、高、置信度的一维张量。对于眼部关键点检测网络，输入为一张人眼图片，输出为具有顺序关系的眼部关键点坐标。人眼区域检测网络的输出应为眼部关键点检 测网络的输入，但两个网络在级联部分的数据类型并不相同。
目标检测 IoU、GIoU、DIoU、CIoU、EIoU
scott198512的博客
04-04 1万+
目标检测常用边界框IOU对比
【IoU全总结】GIoU, DIoU, CIoU, EIoU&Focal, αIoU, SIoU,WIoU【基础收藏】
深度学习
06-15 6740
边界框回归的三大几何因素：重叠面积、中心点距离、纵横比IOU Loss：考虑了重叠面积，归一化坐标尺度；GIOU Loss：考虑了重叠面积，基于IOU解决边界框不相交时loss等于0的问题；DIOU Loss：考虑了重叠面积和中心点距离，基于IOU解决GIOU收敛慢的问题；CIOU Loss：考虑了重叠面积、中心点距离、纵横比，基于DIOU提升回归精确度；
Yolov5（6.1）学习历险记
weixin_62835844的博客
11-06 3548
Yolov5 6.1版本backbone分析
Yolo v7网络实现细节（一）
xiaoxu的博客
07-06 1805
YOLO v7网络架构的整体介绍同时，我们还针对不同的业务需求，使用基础模型进行模型缩放，得到不同类型的模型。对于YOLOv7，我们对颈部进行stack scaling，并使用提出的复合缩放方法对整个模型的深度和宽度进行缩放，并以此获得YOLOv7-X。
解决图像目标检测两框重叠问题
热门推荐
和而不流
05-08 2万+
文章目录1 问题现象2 解决办法3 Non-Maximum Suppression 原理3.1 什么是非极大值抑制3.2 为什么要用非极大值抑制3.3 如何使用非极大值抑制3.4 效果4 参考资料： 1 问题现象 使用yolo v3 等目标检测模型训练自己数据集，预测图片时出现问题： 两框重叠，如下图所示：对于同样一辆汽车，模型反复的标记。 2 解决办法 解决办法就是：非极大值抑制(Non-M...
深入浅出之CSPBlock模块（YOLO）
浩瀚之水的专栏
09-19 5784
YOLO CSPX模块是YOLO系列算法中的一个重要组成部分，它通过跨阶段部分连接的方式减少了计算量，同时保证了模型的准确率。在YOLOv4及后续版本中，CSPX模块被广泛应用于主干网络和Neck结构中，为模型提供了强大的特征提取和融合能力。
YOLOV4原理剖析及建模实战
07-13
【课程特色】 1、超强师资+体系全面+ 1 对 1 答疑+离线缓存+永久有效，无限回放 2、知识全面系统， YOLO v1到YOLO v4 网络结构全面解析，YOLO v4优化点总结以及使用YOLO v4训练自己的目标检测模型，从原理到实战，让你一门课掌握YOLO系列的前世今生。   【为什么要学习这门课？】 目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点。  目标检测工程落地中,以二阶段和一阶段网络为主,其中yolo系列落地公司最多; 最近新出的yolov4必将代替yolov3 以及其他二阶网络。 【学完后我将达到什么水平？】 你将能够熟练掌握 Windows环境下的深度学习模型的搭建，具备使用YOLO v4训练自己的目标检测模型等项目实战能力，掌握计算机视觉工程师的核心能力。   【面向人群】 1、对计算机视觉领域有兴趣的学生、研究人员等； 2、有一定编程基础，对YOLO 系列有深刻理解的开发者； 3、想要了解如何训练自己的深度学习模型的深度学习的初学者； 4、准备从事计算机视觉领域开发工作的程序员。 【课程内容】
一文详解目标检测损失函数：IOU、GIOU、DIOU、CIOU
zandaoguang的博客
09-23 4206
点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达作者丨记忆的迷谷@知乎（已授权）来源丨https://zhuanlan.zhihu.com/p/359982543编辑丨极市平台导读IOU损失函数目前主要应用于目标检测的领域，其演变的过程如下：IOU --> GIOU --> DIOU -->CIOU损失函数，每一种损失函数都较上一种损失函数有所提升。本文来具...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值