包含课程
- 21295人 学习人数4.7分 课程评分YOLOv3目标检测实战:训练自己的数据集YOLOv3是一种基于深度学习的端到端实时目标检测方法,以速度快见长。本课程将手把手地教大家使用labelImg标注和使用YOLOv3训练自己的数据集。课程分为三个小项目:足球目标检测(单目标检测)、梅西目标检测(单目标检测)、足球和梅西同时目标检测(两目标检测)。 本课程的YOLOv3使用Darknet,在Ubuntu系统上做项目演示。包括:安装Darknet、给自己的数据集打标签、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。 Darknet是使用C语言实现的轻型开源深度学习框架,依赖少,可移植性好,值得深入探究。 购课后可加入白勇老师课程学习交流QQ群:957519975 除本课程《YOLOv3目标检测实战:训练自己的数据集》外,本人推出了有关YOLOv3目标检测的系列课程,请持续关注该系列的其它课程视频,包括: 《YOLOv3目标检测实战:交通标志识别》 《YOLOv3目标检测:原理与源码解析》 《YOLOv3目标检测:网络模型改进方法》 敬请关注并选择学习!人工智能计算机视觉深度学习目标检测YOLO
- 13702人 学习人数4.7分 课程评分YOLOv3目标检测:原理与源码解析Linux创始人Linus Torvalds有一句名言:Talk is cheap, Show me the code.(冗谈不够,放码过来!)。 代码阅读是从入门到提高的必由之路。尤其对深度学习,许多框架隐藏了神经网络底层的实现,只能在上层调包使用,对其内部原理很难认识清晰,不利于进一步优化和创新。 YOLOv3是一种基于深度学习的端到端实时目标检测方法,以速度快见长。 YOLOv3的实现Darknet是使用C语言开发的轻型开源深度学习框架,依赖少,可移植性好,可以作为很好的代码阅读案例,让我们深入探究其实现原理。 本课程将解析YOLOv3的实现原理和源码,具体内容包括: * YOLO目标检测原理 * 神经网络及Darknet的C语言实现,尤其是反向传播的梯度求解和误差计算 * 代码阅读工具及方法 * 深度学习计算的利器:BLAS和GEMM * GPU的CUDA编程方法及在Darknet的应用 * YOLOv3的程序流程及各层的源码解析 本课程将提供注释后的Darknet的源码程序文件。 除本课程《YOLOv3目标检测:原理与源码解析》外,本人推出了有关YOLOv3目标检测的系列课程,包括: * 《YOLOv3目标检测实战:训练自己的数据集》 * 《YOLOv3目标检测实战:交通标志识别》 * 《YOLOv3目标检测:原理与源码解析》 * 《YOLOv3目标检测:网络模型改进方法》 建议先学习课程《YOLOv3目标检测实战:训练自己的数据集》或课程《YOLOv3目标检测实战:交通标志识别》,对YOLOv3的使用方法了解以后再学习本课程。计算机视觉cuda深度学习YOLODarknet
- 5994人 学习人数4.7分 课程评分YOLOv3目标检测实战:网络模型改进方法YOLOv3是一种基于深度学习的端到端实时目标检测方法,以速度快见长。 本课程将学习YOLOv3实现darknet的网络模型改进方法。具体包括: • PASCAL VOC数据集的整理、训练与测试 • Eclipse IDE的安装与使用 • 改进1:不显示指定类别目标的方法 (增加功能) • 改进2:合并BN层到卷积层 (加快推理速度) • 改进3:使用GIoU指标和损失函数 (提高检测精度) • 改进4:tiny YOLOv3 (简化网络模型) • AlexeyAB/darknet项目介绍 除本课程《YOLOv3目标检测实战:网络模型改进方法》外,本人推出了有关YOLOv3目标检测的系列课程,请关注该系列的其它课程,包括: 《YOLOv3目标检测实战:训练自己的数据集》 《YOLOv3目标检测实战:交通标志识别》 《YOLOv3目标检测:原理与源码解析》 在学习课程《YOLOv3目标检测实战:网络模型改进方法》前,建议先学习课程《YOLOv3目标检测实战:训练自己的数据集》和课程《YOLOv3目标检测实战:交通标志识别》之一和课程《YOLOv3目标检测:原理与源码解析》。计算机视觉eclipse深度学习yolodarknet
套餐介绍
《YOLOv3目标检测实战系列课程》旨在帮助大家掌握YOLOv3目标检测的训练、原理、源码与网络模型改进方法。
本课程的YOLOv3使用原作darknet(c语言编写),在Ubuntu系统上做项目演示。
本系列课程包括三门课:
(1)《YOLOv3目标检测实战:训练自己的数据集》 包括:安装darknet、给自己的数据集打标签、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。
(2)《YOLOv3目标检测:原理与源码解析》讲解YOLOv1、YOLOv2、YOLOv3的原理、程序流程并解析各层的源码。
(3)《YOLOv3目标检测:网络模型改进方法》讲解YOLOv3的改进方法,包括改进1:不显示指定类别目标的方法 (增加功能) ;改进2:合并BN层到卷积层 (加快推理速度) ; 改进3:使用GIoU指标和损失函数 (提高检测精度) ;改进4:tiny YOLOv3 (简化网络模型)并介绍 AlexeyAB/darknet项目。
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈