知来者逆的博客

YOLO（You Only Look Once）是一个非常出色的目标检测网络，因此它可以成为各种目标检测任务的有力候选者，包括那些原始网络未经训练的对象。

本文旨在基于检测到的物品位置信息，分析、计数并提取相关目标。通过对检测结果的坐标数据进行分析，将确定货架的数量以及货架上的物品数量。为此，这里将使用 SKU110K 数据集来训练目标检测模型。该数据集包含商店货架上物品的边界框标注，仅包含一个名为“物品”的类别。

YOLO11 是 Ultralytics 推出的 YOLO 系列的最新版本。YOLO11 拥有超轻量级的模型，比之前的 YOLO 模型更快、更高效。YOLO11 能够处理更广泛的计算机视觉任务。Ultralytics 根据模型大小发布了五款 YOLO11 模型，涵盖所有任务的模型共有 25 款

实时目标检测对于许多实际应用来说已经变得至关重要，而Ultralytics公司开发的YOLO（You Only Look Once，只看一次）系列一直是最先进的模型系列，在速度和准确性之间提供了稳健的平衡。注意力机制的低效阻碍了它们在像YOLO这样的高速系统中的应用。YOLOv12旨在通过将注意力机制集成到YOLO框架中来改变这一现状。

在人工智能持续发展的当下，有一点是确凿无疑的：模型正变得愈发优秀、快捷和智能。就在人们以为YOLO系列已登峰造极之时，Ultralytics推出了最新升级版——YOLO11。需要注意的是，这里不是YOLOv11，他们简化了命名方式，去掉了“v”。这一改变就如同YOLO既做了形象上的精简，又实现了性能的提升。而在这个简洁的名称背后，是性能的巨大飞跃。YOLO11通过大幅削减参数，实现了更快的处理速度和更高的效率。

在本文中，将演示如何使用从Roboflow获得的开源产品数据来训练我的YOLOv8模型，然后将其与从Hugging Face获得的chef-transformer（T5）模型集成。应用程序的主要目标是将检测到的对象参数化地发送到语言模型，并在NLP和CV之间建立关系。

在人工神经网络和计算机视觉领域，目标识别和跟踪是非常重要的技术，它们可以应用于无数的项目中，其中许多可能不是很明显，比如使用这些算法来测量距离或对象的速度。

图像首先通过输入层（input）进行处理，然后被发送到主干网络进行特征提取。主干网络获取不同尺寸的特征图，并通过特征融合网络（neck）将这些特征进行融合，最终生成三个特征图P3、P4和P5（在YOLOv5中，这些尺寸分别表示为80×80、40×40和20×20），用于分别检测图像中的小型、中型和大型物体。

YOLO是实时检测应用的绝佳选择，它专注于速度，适用于视频分析和实时目标跟踪等应用。另一方面，DETR在需要提高准确性和处理物体之间复杂交互的任务中表现出色，这在医学成像、细粒度目标检测以及检测质量优于实时处理速度的场景中可能特别重要。然而，重要的是要认识到，DETR的一个新迭代——被称为RT-DETR或实时DETR——在2023年发布，声称在速度和准确性方面都优于类似规模的所有YOLO检测器。这项创新虽然在这篇博客中没有涵盖，但它强调了这个领域的动态性质，以及根据特定应用需求进一步细化YOLO和DETR

移动式起重机是建筑施工中使用的重要设备。遵守正确的操作程序对于防止事故很重要。然而，其中存在人为错误的因素。这里我将举一个例子来说明计算机视觉（CV）如何帮助解决这个问题。

对于像YOLO和SSD这样的轻量级模型，在前向传递过程中存在信息降级的风险。因为，**信息丢失**主要是由于它们架构中使用的下采样操作引起的。这些模型通过池化和步幅卷积迅速减小空间维度，将输入图像压缩成紧凑的特征表示。虽然这有助于增加接受域并减少计算成本，但它导致了对检测小的和密集堆积的对象至关重要的细粒度细节的丢失。

在深度学习的目标检测领域，损失函数扮演着至关重要的角色，它们不仅衡量模型预测与实际标注之间的差异，还引导模型参数的优化方向。SIoU (Shape-Aware IoU) 损失是一种用于边界框回归的先进损失函数，它综合考虑了形状、距离和纵横比的对齐，以提升模型的收敛速度和预测准确性。SIoU损失通过结合角度成本、距离成本、形状成本和IoU成本，优化了边界框的定位精度。

TensorFlow Lite (tflite) 是一种用于移动和嵌入式设备上的机器学习模型的格式。它允许开发者将训练好的 TensorFlow 模型转换为一个更小、更快、更高效的格式，以便于在资源受限的环境中运行，比如智能手机和微控制器。

详细记录yolov5训练过程与错误解决方法，使用的数据是河道漂浮物检测，提供完整的数据集和训练代码。

物体运动热力图可以展示物体在一段时间内的运动轨迹和活动强度。这种图表通常通过颜色的变化来表示不同区域的运动热度，颜色的深浅代表了物体在该区域的运动频率或者速度的快慢。在物理学和计算机视觉领域，热力图可以用于分析和理解物体的运动模式，例如人流监控、交通流量分析或者运动员的运动轨迹分析。

前言1.系统环境是win10,显卡RTX3080;cuda10.2,cudnn7.1;OpenCV4.5;yolov5用的是5s的模型，2020年8月13日的发布v3.0这个版本; ncnn版本是20210525;C++ IDE vs2019.2.是于为什么使用NCNN作模型推理加速库，是为了方便之后把这个功能部署到边缘设备上或者移动端上。...

多目标追踪场景中，大部分遮挡物体的检测结果都是低分框，ByteTrack 非常简洁地从低分检测框中寻找遮挡的物体，对遮挡非常鲁棒。

这是一个集成了YoloV8目标检测、实例分割、姿态估计与目标追踪的项目，界面是用PyQt5写的，可以读入图像，视频与摄像头。

从Yolov9的算法解读和之前模型对比到详细记录模型训练与推理的过程

在目标检测方面，GELAN在不同计算块和深度设置下表现出强大且稳定的性能。它确实可以广泛扩展为适用于各种推断设备的模型。通过引入PGI，我们解决了轻量级模型和深度模型在准确性上的问题，使得它们都取得了显著的提升。结合PGI和GELAN设计的YOLOv9表现出了强大的竞争力。其出色的设计使得与YOLOv8相比，深度模型参数数量减少了49%，计算量减少了43%，但在MS COCO数据集上仍然有0.6%的AP改进。

YOLO-World，一个实时的open vocabulary检测器，旨在提高实际应用中的效率和open vocabulary能力。作者将普遍存在的YOLO重新塑造为一个视觉语言YOLO架构，提出了RepVL-PAN，将视觉和语言信息与网络连接，并可重新参数化以实现高效部署。作者进一步提出了有效的预训练方案，包括检测、基础和图像文本数据，赋予YOLO-World强大的open vocabulary检测能力。实验表明，YOLO-World在速度和open vocabulary性能方面具有优越性，并表明视觉语言

Yolov8在训练完成之后，会在run目录下把训练的过程一些参数与结果示意图保存下来,这里面包含是目标检测性能指标，如下图:表示正确预测的目标数量与总预测数量的比率。表示模型正确预测为正样本的样本数量占所有预测为正样本的样本数量的比例。表示模型正确预测为正样本的样本数量占所有实际正样本的样本数量的比例。综合考虑精确率和召回率，是精确率和召回率的调和平均数。衡量模型检测出的区域与实际目标区域的重叠程度。在目标检测中，AP通常指Precision-Recall曲线下的面积，用于综合评估模型的性能。

使用OpenCV DNN C++ 对yolov8s模型做推理部署，有模型转换方法问题注意项。

详细记录YOLOv8目标检测算法，从数据收集、环境配置、模型训练、模型部署，保姆级教程

基于目标检测YOLOv8与目标追踪DeepSORT实现的多目标实时追踪，算法原理与源码解析。

yolov8目标检测onnx模型推理，不安装过多依赖，更好的部署到生产环境

对比YOLOv8与之前版本的区别，并详细解析整个算法的原理与设计理念。

yolov8实例分割，从数据处理到模型训练与模型部署保姆级教程

YoloV7应该是目前开源的目标检测算法最好之一了，它在在5 FPS到160 FPS范围内的速度和精度达到了新的高度，在GPU V100上具有30 FPS或更高的所有已知实时目标检测器中具有最高的精度56.8%AP。YOLOv7 除目标检测外，YOLOv7 作者还放出了实例分割的模型。这里将演示Yolov7的目标识别与实例的C++推理。

使用C++与深度神经网络模型实现目标入侵区域检测，区域入侵目标检测常常用于安防监控，智慧城市，禁区的电子围栏等领域。这里把实现了所有流程的代码都做详细的讲解，代码可以直接用于工程项目。..................

转换或者量化模型是为了提高模型推理速度，但往往会对模型精度产生影响，这里演示了验证与评估模型转换与部署在mAP上的对比

对于没有GPU训练机的人来讲，使用云服务器训练自己的模型应该最最优选择，只是在训练的时候开个按时计费的服务器，训练完成后保存环境镜像之后，可以完全停掉服务器，期间不产生任何费用，下次再训练时，启动环境就可以，很容易保护好自己的训练环境不受污染。详细记录如何配置与使用远程GPU服务训练深度神经网络模型，保姆级步骤。

用于检测当前人物是否佩戴安全帽，从数据收集，标注、训练、到模型部署落地，给出全部的算法、标注好的数据集、完整的模型部署示例，以及在实现过程中可能会踩的坑。

深度学习项目，保姆级教程，从0开始到项目完整落地的所有实现步骤与代码演示。

前言上个博客试着把yolox在win下的环境配置，然后就要试着训练自己的数据集，我这里用的是VOC格式的数据集，训练环境是win10 x64,CUDA11.0 cudnn 8.1 GPU 是GTX 3080,Anaconda 3.7，数据标注工具是LabelImg。数据准备1.在XXX/YOLOX/datasets/下创建一个VOCdevkit目录，在VOCdevkit下VOC2007目录，VOC2007目录下再创建三个空目录，分别是Annotations、ImageSets、JPEGImages，此

前言1.最近非常火的YOLOX，是旷视提出并开源新一代实时目标检测网络，具体的算法原理和性能可以转到github,想上手试试，是Linux话，可以按照官方文档给步骤一步步执行下去就可以了，如果是Win的话，中间有些不用的步骤。2.我的环境是win10 x64,CUDA10.2 cudnn 7.1 GPU 是GTX 1660ti,anaconda 3.7.环境1.首先我们看看官方的linux下的安装步骤：2.但在win下照着上面步骤来，有可能安装不成功，我这里在win下是用Anaconda 来完成

前言系统环境是win10,显卡RTX3080;cuda10.2,cudnn7.1;OpenCV4.5;yolov5用的是5s的模型，2020年8月13日的发布v3.0这个版本; ncnn版本是20210525;C++ IDE vs2019.一、环境安装1.anaconda环境创建环境 conda create --name yolov5 python=3.7 activate yolov5退出环境conda deactivate查看已安装的环境conda info --env

win10下训练yolo模型