dejahu的博客

yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。

本次，我们为大家带来的是肺部图像分割。深度学习技术的应用不仅提高了肺部图像分割的精度和效率，也为医学影像分析带来了智能化的转变。借助人工智能，医生可以获得更多维度的辅助信息，从而做出更为精准的临床决策，推动了医学领域，尤其是在肺部疾病的早期筛查、诊断和治疗方面的发展。在这期的教程中，我们将会教会大家如何使用服务器训练我们的肺部图像分割

yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。

yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。

yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

模型的下载，我们主要以deepseek的R系列为主进行介绍。DeepSeek团队已经证明，大型模型的推理模式可以被提炼到小型模型中，与通过小型模型的强化学习发现的推理模式相比，可以获得更好的性能。下面是我们可以使用的几个版本，其中1.5B的模型基本4GB显存以下的电脑可以使用，7B和8B需要在8GB-12GB显存的显卡下使用，后面的就更是重量级了，一般电脑部署起来就有些费劲了。所以需要建立本地的知识库，模型不仅已经通过训练学习到了大量的知识，模型也可以通过本地的数据进行解析，更加符合我们的实际应用。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

大家好，这里是肆十二，YOLO系列代码我们已经开发了很多内容，每次的内容除了要识别的内容不一致之外，其他环境配置一类的流程基本一致，为了提高效率，也为了节省大家的时间，我在本期将环境配置的统一问题进行抽取出来，后续的更新大家可以先看是否是你需要的内容，然后再来看环境配置的部分。

labelme在实例分割和语义分割任务中经常用到，很多小伙伴完成ai的任务的时候，有的时候不只需要找到对应物体的边界框，对物体的整体的轮廓信息也有比较严格的要求，比如通过物体的mask来计算出对应物体的面积。所以，今天这期，我们来说一下labelme软件如何进行使用，以及根据这一期的内容来完成后面的语义分割的任务。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

Precision和Recall主要从不同的角度衡量模型在预测正类时的表现，一个注重减少假阳性（Precision），另一个注重减少假阴性（Recall）。mIoU计算了预测与真实标签之间的重叠程度，越高越好。mPA聚焦于每个类别的像素级准确率，适用于多类别的分割任务。Dice 系数是衡量两个区域相似度的一个综合指标，常用于评估医学图像中的目标分割。这些指标各有侧重，在不同的任务中可能需要选择适合的评估方式。通常，综合考虑多个指标可以更全面地评估分割模型的表现。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

本次我们主要从一个带改进得实验出发，进行多种网络结构的介绍，在我们的资源目录中附带了每个方法对应的论文，对详细原理感兴趣的小伙伴可以直接去看论文，我们主要以原始的unet作为baseline然后进行改进的实验。改进的实验主要在unet的encoder部分，我们将网络的encoder部分修改为带有预训练的resnet50模型和vgg16模型，另外还有其他的unet的版本。我们下面对这些网络结构进行一一解析。Precision和Recall。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。

推荐大家使用清华镜像下载的miniconda，实测非常稳定，记得安装的时候所有的对号都要选择上。现在完成之后，直接命令行打开输入conda -V的指令观察是否能正确输出conda的版本号，如果可以，则说明没有问题。另外，为了增加后面镜像下载的速度，推荐大家配置国内的镜像。请执行下面的指令进行镜像的配置。

BoT-SORT通过引入更强大的 Re-ID 特征提取和多阶段数据关联策略，解决了传统多目标跟踪方法在复杂场景下的诸多不足。其在多个数据集上的表现表明，该算法在提高跟踪精度和减少 ID Switch 方面具有显著优势。BoT-SORT 通过在 Re-ID 特征提取和数据关联策略上的改进，使得多目标跟踪在复杂环境中的应用更加广泛和高效。

今天一起来解读一下目标检测中的各个指标，包括map、precision以及recall等

COCO 数据集的标注文件是 JSON 格式，包含了大量关于图像、类别、目标检测框、分割、关键点等的详细信息。info：关于数据集的描述信息（版本、日期、贡献者等）。images：图像的基本信息，包括图像的文件名、宽度、高度、唯一 ID 等。：目标的标注信息，包含类别、边界框、分割区域、目标 ID 等。categories：类别信息，定义了所有的目标类别及其对应的 ID。

本次教程依然是YOLOV8教程的延续，我们本次主要使用YOLOV9对PCB板进行缺陷检测，包含数据的处理、模型的训练、测试以及图形化系统的构建，在图形化的系统中我们通过点击按钮的形式即可完成对训练好的模型的调用。

大家好，这里是肆十二，之前有小伙伴反馈说自己的电脑只有cpu，没有GPU，也想要体验一下使用gpu训练模型，或者有的小伙伴反馈说自己所在的实验室提供了linux的服务器，但是不怎么会用，本期我们就来说说如何使用服务器来训练自己的模型。

之前我们有出过一期使用unet进行医学图像分割的视频，但是其中好多小伙伴反应自己的任务很多时候都是多分类的任务，使用unet风格的效果一般，所以这期我们使用deeplab来进行多类别语义分割，本次我们的内容将会涉及到3个类别，使用的数据为眼底图像，分割的对象为眼底图像的视盘和视杯, 我们将会根据分割之后的结果进行出行比值的计算，然后通过杯盘比来计算是否存在潜在的眼病风险。

大家好，这里是肆十二，近两年来大模型的成果在一些领域的应用已经深入人心，由于我本人主要感兴趣的方向为计算机视觉，所以今天我们来一起看下计算机视觉领域中这个非常精彩的大模型-SAM。我在B站也同步更新了对应的讲解视频，感兴趣的小伙伴也可以按照视频来进行操作。

数据集方面我们搜集了大概有1w个动物实例的数据集，数据集类别的整体分布如下，包含3个类别，分别是行人、头以及动物，这里的数据集大家也可以自行进行补充应用在骑车的动物检测或者是其他各种涉及到动物检测的场景中。这里有一些部分数据集的示例，大家在自己的课程设计报告中也可以进行放置。

头盔检测是计算机视觉领域中的一个重要应用，主要用于检测图像或视频中的人是否佩戴头盔。头盔在工业生产、建筑工地、交通领域（如摩托车和自行车骑行）以及一些高危作业场景中是必不可少的防护装备。佩戴头盔可以有效保护头部，降低因意外事故导致的伤亡风险。然而，在现实生活中，很多人并未遵守佩戴头盔的规定，导致事故发生时的伤害严重程度加剧。因此，自动化的头盔检测系统可以帮助相关部门或企业监督和管理这一安全措施的执行。随着深度学习和计算机视觉技术的飞速发展，基于图像的目标检测技术得到了广泛的应用。

【代码】30 Days Of Python教程索引。