bai666ai的博客

本课程讲解YOLOv10的论文、网络架构等原理并解析关键代码，并进行训练自己数据集的项目实战。

本课程全面深入地讲解Mamba的原理与代码实现。

本课程在YOLOv8 v8.1版本代码的基础上增加DepGraph剪枝方法，在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程，并讲解DepGraph剪枝原理和用于YOLOv8的DepGrapgh剪枝脚本代码。

本课程在YOLOv8 v8.1版本代码的基础上增加Network Slimming剪枝方法，在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程，并讲解原代码针对剪枝的修改和增加部分。

本课程讲述如何在Triton Inference Server（推理服务器）上部署YOLOv8目标检测的推理服务。 课程完整演示了在Ubuntu操作系统上使用Triton推理服务器的ONNX Runtime后端和TensorRT后端部署YOLOv8目标检测模型。

本课程以船舶旋转目标检测为例，将手把手地教大家使用X-AnyLabeling手动和自动标注图像中物体的旋转框，并使用YOLOv8利用DOTA OBB数据集上的预训练权重在自己的数据集微调训练，完成一个旋转目标检测实战项目。

本课程讲述如何对YOLOv8实例分割的PyTorch权重文件转成ONNX格式并进行TensorRT加速部署。

本课程以熊猫姿态估计为例，将手把手地教大家使用CVAT标注图像中的关键点和skeleton，并使用YOLOv8训练自己的数据集，完成一个关键点检测和姿态估计实战项目。

本课程讲述如何对YOLOv8目标检测的PyTorch权重文件转成ONNX格式并进行TensorRT加速部署。

本课程讲述如何使用TensorRT对YOLOv8实例分割进行加速和部署，实测推理速度提高3倍以上。

本课程将详细解析YOLOv8目标检测的实现原理和源码。

本课程讲述如何使用TensorRT对YOLOv8目标检测进行加速和部署。

本课程使用YOLOv8和BoT-SORT对视频中的行人、车辆做多目标跟踪计数与越界识别，开展YOLOv8目标检测和BoT-SORT多目标跟踪强强联手的应用。

ByteTrack是发表于2022年的ECCV国际会议的先进的多目标跟踪算法。YOLOv8代码中已集成了ByteTrack。本课程使用YOLOv8和ByteTrack对视频中的行人、车辆做多目标跟踪计数与越界识别，开展YOLOv8目标检测和ByteTrack多目标跟踪强强联手的应用。

本课程使用YOLOv8和DeepSORT对视频中的行人、车辆做多目标跟踪计数与越界识别，开展YOLOv8目标检测和DeepSORT多目标跟踪强强联手的应用。

本课程使用YOLOv8实现人脸口罩佩戴的实时检测。课程提供超万张已标注人脸口罩数据集。本课程会讲述本项目超万张人脸口罩数据集的制作方法，包括使用labelImg以及使用Python代码对第三方数据集进行清洗。训练后的YOLOv8可对真实场景下人脸口罩佩戴进行高精度实时检测。课程提供PySide6开发的可视化演示界面，可实时检测图像、视频、摄像头和流媒体(http/rtsp)中的口罩佩戴。

本课程将手把手地带大家使用YOLOv8训练TT100K中国交通标志数据集，完成一个多目标检测实战项目。可实时检测图像、视频、摄像头和流媒体(http/rtsp)中的交通标志，并提供PySide6开发的可视化演示界面 。

本课程将手把手地教大家使用YOLOv8训练垃圾分类数据集，完成一个多目标检测实战项目。可实时检测图像、视频、摄像头和流媒体中分类垃圾，并提供可视化演示界面 。

本课程将手把手地教大家使用YOLOv8结合可变形卷积（deformable convolution）训练火焰和烟雾数据集，完成一个多目标检测实战项目，可实时检测图像、视频、摄像头和流媒体(http/rtsp)中火焰和烟雾，并提供可视化演示界面 。

本课程将手把手地教大家使用labelImg标注和使用YOLOv8训练自己的数据集，完成一个多目标检测实战项目，可检测图像和视频中的足球和梅西两个目标类别。

本课程将手把手地教大家使用labelImg标注和使用YOLOv6训练自己的数据集，完成一个多目标检测实战项目

本课程讲述对YOLOv5添加注意力机制的方法，来提高其性能。 添加的注意力机制包括：SE、CBAM、ECA、CA。

本课程讲述对YOLOv5进行更换骨干网（backbone；主干网）的方法，使其更加轻量或提高性能。

使用Grad-CAM热力图可视化方法对YOLOv5进行热力图可视化，可直观展示图像中哪些区域对类别分类贡献程度大。

课程链接：https://download.youkuaiyun.com/course/detail/37294PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程对YOLOv5进行知识蒸馏实战，来提升其性能。知识蒸馏（Knowledge Distillation）是模型压缩的一种常用的方法。它利用性能更好的大模型的监督信息，来训练一个轻量化小模型，使小模型达到更好的性能和精度。 最早是由Hinton首次提出并应用在分类任务上，这个大模型称之为教师模型，小模型称之为学生模型。来自教师模型输出的监

课程链接：https://download.youkuaiyun.com/course/detail/37227PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Network Slimming剪枝方法对YOLOv5进行网络剪枝，使其更加轻量。Network Slimming是一种经典的实用模型压缩方法，可实现高效的通道级别的结构化剪枝。该方法通过利用BN（Batch Normalization）层中缩放因子较小的值来剪裁的相应通道，达到精简网络的目的。步骤包括：增加稀疏正则化的

课程链接：Swin Transformer原理与代码精讲--计算机视觉视频教程-人工智能-优快云程序员研修院Transformer在许多NLP(自然语言处理)任务中取得了最先进的成果。Swin Transformer是在ViT基础上发展而来，是Transformer应用于CV（计算机视觉）领域又一里程碑式的工作。它可以作为通用的骨干网络，用于图片分类的CV任务，以及下游的CV任务，如目标检测、实例分割、语义分割等，并取得了SOTA的成果。Swin Transformer获得了ICCV 2021的最佳.

课程链接：DETR原理与代码精讲--计算机视觉视频教程-人工智能-优快云程序员研修院Transformer在许多NLP(自然语言处理)任务中取得了最先进的成果。DETR(DetectionTransformer)是Facebook提出的基于Transformer的端到端目标检测方法。DETR使用CNN+Transformer进行图像目标检测，该方法没有NMS后处理步骤、没有anchor。DETR总体思路是把目标检测看成一个set prediction的问题，并且使用Transformer来预测..

课程链接：Transformer原理与代码精讲（TensorFlow）-1-课程介绍-白勇的在线视频教程-优快云程序员研修院Transformer发轫于NLP（自然语言处理），并跨界应用到CV（计算机视觉）领域。目前已成为深度学习的新范式，影响力和应用前景巨大。本课程对Transformer的原理和TensorFlow 2代码进行精讲，来帮助大家掌握其详细原理和具体实现。原理精讲部分包括：注意力机制和自注意力机制、Transformer的架构概述、Encoder的多头注意力（Multi-Head

课程链接：Transformer原理与代码精讲（PyTorch）-1-课程介绍-白勇的在线视频教程-优快云程序员研修院Transformer发轫于NLP（自然语言处理），并跨界应用到CV（计算机视觉）领域。目前已成为深度学习的新范式，影响力和应用前景巨大。本课程对Transformer的原理和PyTorch代码进行精讲，来帮助大家掌握其详细原理和具体实现。原理精讲部分包括：注意力机制和自注意力机制、Transformer的架构概述、Encoder的多头注意力（Multi-Head Attent

课程链接：ViT（Vision Transformer）原理与代码精讲-1-课程介绍-白勇的在线视频教程-优快云程序员研修院Transformer在许多NLP(自然语言处理)任务中取得了最先进的成果。ViT (VisionTransformer)是Transformer应用于CV（计算机视觉）领域里程碑式的工作，后面发展出更多的变体，如Swin Transformer。ViT (VisionTransformer)模型发表于论文An Image is Worth 16X16 Words:...

课程链接：Swin Transformer实战实例分割：训练自己的数据集--计算机视觉视频教程-人工智能-优快云程序员研修院Transformer发轫于NLP（自然语言处理），并跨界应用到CV（计算机视觉）领域。Swin Transformer是基于Transformer的计算机视觉骨干网，在图像分类、目标检测、实例分割、语义分割等多项下游CV应用中取得了SOTA的性能。该项工作也获得了ICCV 2021顶会最佳论文奖。本课程将手把手地教大家使用labelme标注和使用Swin Transfo..

课程链接：Swin Transformer实战目标检测：训练自己的数据集--计算机视觉视频教程-人工智能-优快云程序员研修院Transformer发轫于NLP（自然语言处理），并跨界应用到CV（计算机视觉）领域。Swin Transformer是基于Transformer的计算机视觉骨干网，在图像分类、目标检测、实例分割、语义分割等多项下游CV应用中取得了SOTA的性能。该项工作也获得了ICCV 2021顶会最佳论文奖。本课程将手把手地教大家使用labelImg标注和使用Swin Transfo.

课程链接：DeepLabv3+（PyTorch）图像语义分割：训练自己的数据集--计算机视觉视频教程-人工智能-优快云程序员研修院DeepLabv3+是一种非常先进的基于深度学习的图像语义分割方法，可对物体进行像素级分割。本课程将手把手地教大家使用labelme图像标注工具制作数据集，并使用PyTorch版本的DeepLabv3+训练自己的数据集，从而能开展自己的图像语义分割应用。本课程以RoadScene语义分割开展项目实践：对汽车行驶场景中的路坑、车、车道线进行物体标注和语义分割。.

课程链接：U-Net图像语义分割实战：训练自己的数据集--计算机视觉视频教程-人工智能-优快云程序员研修院注意：本课程已从Keras更新至TensorFlow2U-Net是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异。本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集，生成Mask图像，并使用U-Net训练自己的数据集，从而能开展自己的图像分割应用。本课程有三个项目实践：(1) Kaggle盐体识别比赛 ：利用U-Net进行Kaggle盐体识别

PyTorch版课程链接：UNet（PyTorch）图像语义分割实战：训练自己的数据集--计算机视觉视频教程-人工智能-优快云程序员研修院TensorFlow2课程链接：U-Net图像语义分割实战：训练自己的数据集--计算机视觉视频教程-人工智能-优快云程序员研修院UNet是一种基于深度学习的图像语义分割方法，尤其在医学图像分割中表现优异。本课程将手把手地教大家使用labelme图像标注工具制作自己的数据集，生成Mask图像，并使用PyTorch版UNet训练自己的数据集，从而能开展自己的.

课程链接：YOLOX目标检测实战：Jetson Nano部署--计算机视觉视频教程-人工智能-优快云程序员研修院YOLOX是旷视科技新近推出的高性能实时目标检测网络，性能超越了YOLOv3/YOLOv4 /YOLOv5。Jetson Nano是英伟达含有GPU的人工智能硬件。本课程讲述如何部署YOLOX在Jetson Nano开发板上。部署完成后可进行视频文件和摄像头视频的目标检测。部署时将使用AI视频处理加速引擎TensorRT和DeepStream。课程内容包括：原理篇（DeepStr..

课程链接：https://edu.youkuaiyun.com/course/detail/35884YOLOX是旷视科技新近推出的高性能实时目标检测网络，性能超越了YOLOv3/YOLOv4 /YOLOv5。 本课程在Windows详细演示YOLOX(nano和tiny）在Android（安卓）手机进行部署过程。内容包括：安装软件和PyTorch，克隆和安装YOLOX，导出ONNX模型，导出NCNN模型文件，安装Android Studio，准备android项目文件，手机连接电脑并编译软件，项目代码解析。.

课程链接：https://edu.youkuaiyun.com/course/detail/35815YOLOX是旷视科技新近推出的高性能实时目标检测网络，性能超越了YOLOv3/YOLOv4 /YOLOv5。利用YOLOX训练完自己的数据集后，如何向大众展示并提供落地的服务呢？本课程将提供相应的解决方案，具体讲述使用Web应用程序框架Flask进行YOLOX的Web应用部署。用户可通过客户端浏览器上传图片，经服务器处理后返回图片检测数据并在浏览器中绘制检测结果。本项目采取前后端分离的系统架构和开发方式，.

课程链接：https://edu.youkuaiyun.com/course/detail/35791YOLOX是旷视科技新近推出的高性能实时目标检测网络，性能超越了YOLOv3/YOLOv4 /YOLOv5。OpenVINO是针对Intel的CPU等设备的加速工具。本课程在Windows和Ubuntu系统上详细演示使用OpenVINO对YOLOX进行加速和部署。其中对Python和C++的OpenVINO部署都进行了讲解。特别是讲述了针对自己数据集上训练出的YOLOX的OpenVINO加速部署方法。相关.