安全帽佩戴检测算法是高危作业环境中不可或缺的环节。传统依靠人工监管的方式存在效率低下、管理范围有限、时效性差、无法全场监测等诸多缺陷，因此基于图像视觉的安全帽佩戴检测算法逐渐成为企业实施管理的主要手段。近年来，随着工业4.0概念的提出和深度学习等高新技术的发展，场景

計算機視覺技術在AI中的應用簡介計算機視覺（ComputerVision，CV）是人工智能（AI）中一個重要且快速發展的領域，它使得機器能夠理解和解釋視覺信息。隨著硬件計算能力的提升和深度學習方法的興起，計算機視覺在各行業中的應用正在日益擴展。本篇文章將探討計算機視覺技術的基本原理、常

随着人工智能（AI）技术的迅猛发展，其应用领域不断拓宽，正深刻改变着传统产业的运作模式。在钢材生产这一基础工业领域，AI的引入正为钢材的质量检测带来革命性的变革。在传统的钢材生产流程中，质量检测是确保产品质量的关键环节。然而，这一环节长期以来主要依赖于经验丰富的工人通过肉

茶园鲜叶的分级主要基于嫩度、匀度和净度等因素。嫩度是鲜叶分级验收的主要依据。这通常根据芽叶的多少、大小、嫩梢上叶片数和开展程度，以及叶质的软硬、叶色的深浅等来评定等级。例如，红、绿茶对鲜叶的要求以一芽二叶为主，兼采一芽三叶和细嫩对夹叶。匀度也是一个重要的考虑因素

论文：YOLOX:ExceedingYOLOSeriesin2021(2021.7.18)作者：ZhengGe,SongtaoLiu,FengWang,ZemingLi,JianSun链接：https://arxiv.org/abs/2107.08430代码：https://github.com/Megvii-BaseDetection/YOLOXYOLO系列算法解读：YOLOv1通俗易懂版解读SSD算法解读YOLOv

前言本次分享将带领大家从0到1完成一个目标检测任务的模型训练评估和推理部署全流程，项目将采用以PaddleDetection为核心的飞浆深度学习框架进行开发，并总结开发过程中踩过的一些坑，希望能为有类似项目需求的同学提供一点帮助。项目背景和目标背景：目标检测是计算机视觉的一

系列文章目录文章目录系列文章目录前言一、为什么torch里面要用optimizer.zero_grad()进行梯度置0二、Unet神经网络为什么会在医学图像分割表现好？三、transformer相关问题四、介绍一下胶囊网络的动态路由五、yolo系列出到v9了，介绍一下你最熟悉的yolo算法六、一阶段目标

1搭建环境1.1YOLO实践应用之搭建开发环境Anaconda3Anaconda是一个开源的Python语言发行版及其包管理器，在数据科学、机器学习和科学计算领域广受欢迎。Anaconda使用Conda进行包管理。Conda可以创建虚拟环境来隔离不同项目所需的包和依赖，并可以方便地提交代码和环境设置，它包含了众

目录1.数据预处理2.构建网络结构3.前向传播(1)yolo层4.计算损失5.反向传播6.结果Yolov3取消池化和全连接层，全部由53个卷积层组成，又名Darknet53，采用多scale，每个scale包含三种候选框，对不同的特征图进行融合后再预测（感受野大的上采样后与感受野相对较小的融合）。利用coco数据集对模

1.Yolov3-Tiny模型YOLOv3-Tiny网络模型一共有24层，包括13个卷积层，6个最大池化层，2个route层，1个上采样层以及2个输出Yolo层。一共有13层卷积层，网络参数及计算量适中，适合在ZYNQ嵌入式平台上加速。1.1卷积层目的：提取输入特征图多个层次的特征。假设卷积层有N组卷积核(每组卷

paddleDetection训练自定义数据集第二章开始训练上一章数据集制作文章目录paddleDetection训练自定义数据集第二章开始训练一、环境二、安装1.安装miniconda2.安装paddlepaddle3.下载paddleDetection三、训练自定义数据集1.首先选择预训练模型，然后修改配置文件2.训练3.导

YOLOv3-spp框架图 复现细节和结果1totalparamnum62,675,649,计算量：117.3GFLOPS2backbone:Yolov3-spp3优化器：optimizer=torch.optim.SGD(params,lr=0.001,momentum=0.937,weight_decay=5e-4)4学习率更新:呈cos函数形式5损失函数=置信损失(GIOU)+分类

1.前言YOLOV3是单阶段目标检测算法YOLO系列的第三个版本，由华盛顿大学JosephRedmon发布于2018年4月，广泛用于工业界。改进了正负样本选取、损失函数、Darknet-53骨干网络，并引入了特征金字塔多尺度预测，显著提升了速度和精度。2.网络结构换了骨干网络，把backbone在darknet19的基

PaddleDetection的安装和使用以及训练和评估这里是百度的AI开发平台：https://ai.baidu.com/ai-doc/AISTUDIO/Tk39ty6ho目前对于个人来说的，学习深度学习的来说的，需要时一定的计算资源。但是考虑到学校实验室资源有限，所以本人采用AI系统平台的提高的服务来实现个人的实验的相关问题。

我目前在学习百度的深度学习框架----paddlepaddle,在平台上运行出结果是比较简单的,因为有算力的支持,一个模型能很快地训练出来.大家可以在AIStudio上FORK这个项目,下载数

这个教程是我在自己学习的过程中写的，当作一个笔记，写的比较详细在github上下载yolov3的tensorflow1.0版本：​​​https://github.com/YunYang1994/tensorflow-yolov3​​​

layout:posttitle:深度学习环境搭建subtitle:深度学习环境搭建date:2021-04-25author:Yinheader-img:img/post-bg-cook.jpgcatalog:tru

                                                   

一、YoloV3实现思路 整个YoloV3可以分为三个部分，分别是Darknet53，FPN以及YoloHead。Darknet53可以被称作YoloV3的主干特征提取网络，输入的图片首先会在Darknet

YOLOv1​​YOLO算法的原理与实现​​​​死磕YOLO系列，YOLOv1的大脑、躯干和手脚​​YOLOv2​​史上最通俗易懂的YOLOv2讲解​​​​目标检测YOLOv2最详细解释！​​YOLOv3​

源码下载：https://gitee.com/ai_samples/atlas_mindxsdk_samples/blob/master/contrib/cv/object_detection/image_yolov3一、安装昇腾驱动先安装昇腾驱动，昇腾驱动请参考

文章目录​​环境配置​​​​运行TRT-yolov3​​​​测试(识别)​​​​模型替换(详细)​​​​yolov3-tiny->onnx​​​​onnx->trt​​​​Resource​​环境配置安装

调用摄像头识别：​​Jetsonnano之pytorch深度学习_whujk的博客Yolov3系列最佳实践：​​GitHub-doubleZ0108/IDEA-Lab-Summer-Camp:ZJUIDEALabSummerCamp​​核心检

OpenCV+yolov3实现目标检测(C++,Python)  目标检测算法主要分为两类：一类是基于RegionProposal（候选区域）的算法，如R-CNN系算法（R-CNN，FastR-CNN,FasterR-CNN），它们是two-st

基于《自有数据集上,如何用keras最简单训练YOLOv3目标检测》原项目地址：keras-yolo3-improvedselfdata_keras_yolov3.ipynb，训练ipynbselfdata_yolov3