youcans的博客

YOLO11 对架构和训练方法进行了重要改进，可以快速实现图像分类、目标检测、跟踪、实例分割和姿态估计等任务。本文详细讲解 YOLO11 的环境配置和使用方法，帮助读者快速上手。

miniconda是conda的精简版安装程序。推荐深度学习使用miniconda搭建Python环境，它提供了python与conda，可以创建相对独立的Python环境，避免与其它库的冲突。

安装 GPU 版本的 PyTorch 需要 NVIDIA（英伟达）显卡，否则只能[安装 PyTorch（CPU版）。本文详解 PyTorch GPU 版的下载、安装和测试。

YOLOv5是一种先进的单阶段目标检测算法。本文详细介绍 YOLOv5 的下载、环境配置和推理测试步骤。

本文详细介绍使用自己的数据集训练专用的 YOLOv5 模型，包括数据集的准备，模型配置，训练和推理过程。

本文介绍通过 YOLOv5 对 PCB缺陷 进行实时检测。详细介绍（1）环境配置；（2）北大PCB缺陷数据集的处理；（3）使用YOLOv5 训练PCB缺陷模型；（4）使用训练的模型检测 PCB缺陷。

本文介绍通过 YOLOv5 对红外图像进行目标检测。详细介绍（1）环境配置；（2）CTIR红外数据集的下载处理；（3）使用YOLOv5 训练红外目标检测模型；（4）使用训练的模型检测红外图像。

YOLOv5_Deepsort 是一个基于 YOLOv5 的两阶段目标追踪算法，用于实现视频中的目标检测和追踪。本文详细说明YOLO5目标追踪的操作步骤，报错处理。

YOLOv5_StrongSORT 是基于 YOLOv5 的两阶段目标追踪算法，优化了跟踪的准确性和鲁棒性，能够在复杂的场景中更有效地处理遮挡、目标丢失和重新出现等问题。本文介绍 YOLOv5_StrongSORT 的实现步骤，详细介绍（1）项目下载；（2）安装配置；（3）测试运行。

手势识别是人机交互领域的分类和检测任务，为用户提供了自然、直观且高效的交互方式。本文详细介绍YOLO5手势识别应用项目：（1）数据集下载和处理，（2）模型训练，（3）手势识别测试。

本节以基于 YOLOv5 的PCB 缺陷检测任务为例，详细介绍使用 Pyqt5 设计 YOLOv5 图形用户界面，实现人机交互的 YOLOv5 PCB 缺陷检测系统。

本节详细讲解使用 Flask 框架构建 YOLOv5 模型的 Web 应用程序，将 YOLOv5 模型部署到Web端，实现基于 Web 的图像处理和目标检测系统。

本节介绍用本地数据集训练 YOLOv8 模型，建立特定任务的私有模型。一步步详细介绍数据集的下载和准备，模型配置，模型训练、验证和预测。

本文介绍目标检测之 OverFeat 模型，并给出 PyTorch 实现方法。OverFeat 是一种基于卷积网络的图像特征提取器和分类器，是ILSVRC2013定位任务的第1名。

何恺明、孙剑等提出的 SPPNet 模型，采用 “空间金字塔池化”，对任意大小/比例的输入图像，都可以生成固定长度的表示，可以汇集在多尺度特征。SPP-Net 在特征检测任务中只对整张图像运行一次卷积网络，速度比 RCNN 快得多。

R-CNN 将卷积神经网络引入目标检测领域，与传统方法相比检测性能显著提高。其后的系列文章 Fast RCNN， Faster RCNN 在此基础上不断改进，开拓和引领了目标检测领域新的研究方向。本文介绍 RCNN 目标检测方法，并使用 PyTorch 实现 RCNN 方法。

本节实现了一个最简单的案例：使用 PyTorch 创建一个线性网络模型。该模型虽然极简，但已经完整包括了 PyTorch 建立模型、模型训练和模型预测的基本步骤。本文中简化了很多环节，是为了便于读者理解和掌握 PyTorch 深度学习的核心步骤。

本节实现一个简单而完整的案例：（1）使用 PyTorch 导入 CIFAR10 数据集、创建 LeNet-5 网络模型和模型训练。（2）使用训练好的 LeNet 模型，输入新的图片进行模型推理，由模型输出结果确定输入图片所属的类别。

LeNet5 模型是卷积神经网络的开山之作，也是深度学习的第一个里程碑。本文用 PyTorch 实现 LeNet5 网络模型，使用 MNIST 数据集训练模型，进行手写数字识别。

用 PyTorch 实现 AlexNet 网络模型，使用 CIFAR10 数据集训练模型，进行图像分类。AlexNet 网络模型是卷积神经网络的经典之作，在 2012 年 ImageNet 视觉识别挑战赛中以巨大优势获得冠军。

CVPR2017 最佳论文 DenseNet 提出了“密集块（DenseBlock）”的模型结构。本文用 PyTorch 实现 DenseNet 网络模型，使用 CIFAR10 数据集训练模型，进行图像分类。

本文用 PyTorch 实现 Xception 网络模型，使用 CIFAR10 数据集训练模型，进行图像分类。Xception 是一种新型深度卷积神经网络架构，用深度可分离卷积取代了 Inception模块。Xception 体系结构具有与 Inception V3 相同数量的参数，在 ImageNet 数据集上的性能略微优于Inception V3，在包括 3.5亿张图像和 17000个类的更大图像分类数据集上显著优于 InceptionV3。

本文用 PyTorch 实现 MobileNet 网络模型，使用 CIFAR10 数据集训练模型，进行图像分类。MobileNet 提出深度可分离卷积（depth-wise separable convolutions）模型，是轻量级深度神经网络的重要代表。

SqueezeNet 的创新在于提出了 fire module，包括 squeeze 和 expand 两个部分，以降低参数规模和计算量。SqueezeNet 预训练模型大小约 4.8 MB，在 ImageNet 数据集上 Top-5 准确率 80.3%，非常轻量高效。本文用 PyTorch 实现 SqueezeNet 网络模型，使用 CIFAR10 数据集训练模型，进行图像分类。

本文用 PyTorch 实现 ShuffleNet 网络模型，使用 CIFAR10 数据集训练模型，进行图像分类。ShuffleNet 的创新是：1、使用分组卷积取代逐点卷积，2、提出信道混洗（channel shuffle）来保证信息在不同信道之间的流动，在保持精度的同时显著降低了计算量。

Wide ResNet 是一种宽残差网络（ wide residual networks , WRN）架构，通过增加残差网络的宽度和减少网络深度，提高了残差网络的准确性和效率。

SENet 将注意力机制引入视觉任务，轻量高效，是最后一届 ImageNet 2017 竞赛图像分类任务的冠军。本文用 PyTorch 实现 SENet 网络模型，使用 CIFAR10 数据集训练模型，进行图像分类。