深度学习搞定系列：yolov8训练自己的目标检测模型windows版
本课程将带您进入yolov8面向目标检测框架搭建环境，标注，训练，测试等完整实现过程。主要内容如下1、 yolov8框架基本介绍2、搭建windows上yolov8环境3、用labelImg标注自己的数据集4、转换数据集 5、配置参数6、参数调节和训练7、测试自己的模型yolov8是yolov5团队最新佳作，是一个anchor free的框架，集成了yolov3,yolov5,yolov8框架。yolov8发布形式为cli版本，大大降低了使用难度，是目前非常优秀目标检测图像分类实例分割的框架。yolov8不仅仅是一个目标检测框架，而且集成了图像分类，实例分割。让我们在cv领域又多出一个非常实用深度学习算法框，本课程主要针对目标检测做自己的数据集训练，不对实例分割和图像分类训练做讲解，请同学中注意一下本课程主要内容，请观看本课程的课程导论，了解课程主要内容和体系结构。
共11节 89人已学习¥120.0 免费试学
深度学习搞定系列：yolov7-segmention训练实例分割模型win版
本课程将带您进入yolov7面向实例分割框架搭建环境，标注，训练，测试等完整实现过程。主要内容如下1、 yolov7目标检测框架基本介绍2、搭建windows上yolov7环境3、用roboflow或者labelme标注自己的数据集4、转换数据集 5、配置参数6、参数调节和训练7、测试自己的模型众所周知，yolov7不仅仅是一个目标检测框架，现在已经集成姿态检测，实例分割。让我们在cv领域多出一个非常实用深度学习算法框，本课程主要针对实例分割做自己的数据集训练，不对目标检测和图像分类训练做讲解，请同学注意一下本课程主要内容，可以先观看本课程的课程导论，了解课程主要内容和体系结构。
共14节 404人已学习¥120.0 免费试学
深度学习搞定系列:yolov5训练自己的实例分割模型windows版
本课程将带您进入yolov5-6.2面向实例分割框架搭建环境，标注，训练，测试等完整实现过程。主要内容如下1、 yolov5框架基本介绍2、搭建windows上yolov5环境3、用roboflow或者labelme标注自己的数据集4、转换数据集 5、配置参数6、参数调节和训练7、测试自己的模型众所周知，yolov5如今不仅仅是一个目标检测框架，现在已经集成图像分类，实例分割。让我们在cv领域多出一个非常实用深度学习算法框，本课程主要针对实例分割做自己的数据集训练，不对目标检测和图像分类训练做讲解，请同学中注意一下，本课程主要内容，将观看本课程的课程导论，了解课程主要内容和体系结构。
共14节 133人已学习¥120.0 免费试学
深度学习搞定系列：mmdetection训练自己的数据集ubuntu版
本课程是专门为刚入门的学生，研究者和爱好者打造训练模型流程讲解课程。本课程着重从安装环境，标注数据集，转换数据集，修改训练前配置参数，训练自己的模型，测试自己的模型进行讲解，适合初学者。 mmdetection是openmmlab系列框架之一，集合很多优秀的目标检测算法和部分图像分割算法，本课程只对目标检测算法训练流程进行讲解，其中选择了SSD，fasterrcnn,yolox三个框架对训练流程进行讲解。 本课程具有特点：（1）教会您在ubuntu上安装自己的显卡驱动，cuda+cudnn和anaconda3（2）了解深度学习领域中常用VOC格式和COCO格式含义（3）学会使用labelImg标注工具，这个工具主要是做目标检测使用，支持VOC格式,yolox格式和ML格式（4）学会训练参数配置文件修改，这个了解后，可以有利于学习其他框架训练，比如paddledetection或者openmmlab其他系列的框架，他们存在很多相似地方本课程需要的环境：ubuntu18.04或其他系统带有英伟达显卡驱动电脑一台cuda10.2+cudnn7.6.5torch==1.7.0torchvision==0.8.1本课程设计的目标：（1）让同学们快速掌握自定义数据集训练的基本流程（2）让同学们学会安装自己电脑的深度学习环境（3）让同学们学会目标检测自定义数据集标注方法
共18节 120人已学习¥100.0 免费试学
深度学习搞定系列：DETR训练自己的目标检测数据集ubuntu版
本课程主要以ubuntu为环境基础，为大家讲解如何在ubuntu上训练自己的DETR目标检测数据集模型，主要包括ubuntu上显卡驱动安装，cuda+cudnn安装，anaconda3安装，labelImg安装,DETR环境安装。 本课程主要以实践为基础，理论问辅。注重讲解DETR目标检测训练的流程以及如何测试自己训练好的模型，并提供了预测类的代码和转换数据集的代码，使得同学们在本课中可以提高获得训练模型效率和训练周期。 学习本课程需要大家准备好一个Ubuntu18.04系统环境，如果其他版本ubuntu系统也可以，然后就是需要环境是带有英伟达显卡，不建议使用虚拟机训练自己模型。 请注意，本课程是对DETR进行目标检测训练流程讲解，不对DETR分割模型训练进行讲解。如果您需要分割模型则不适宜学习本课程。
共13节 407人已学习¥100.0 免费试学
深度学习搞定系列：yolox检测封装成类调用
本课程主要核心是将Yolox框架封装成一个类，方便调用或者集成开发以及集成部署。通过本课程您将收获一下知识：（1）了解Yolox框架检测基本流程；（2）掌握目标检测封装类大体思路；（3）学会Yolox封装函数以测试；（4）学会利用封装类模块，进行API调用。本课程优点：（1）去掉课程无关的讲解，直击课程核心出发点，避免花费更多时间学习自己已经掌握知识，而着重掌握封装本质上来；（2）提供代码讲解和API示例，让同学们更快获取本课程核心内容；（3）课程简洁，重点课程重点讲解。学习本课程之前您需要准备的是（本课程不提供讲解）：（1）您需要提前搭建好自己Yolox环境，建议使用Anaconda3搭建；（2）您需要保证自己demo.py可以正常运行（3）您需要准备官方提供模型或者自己训练的模型
共7节 243人已学习¥150.0 免费试学
深度学习搞定系列：paddleocr训练自己的数据集ubuntu版
paddleocr训练自己数据集ubuntu版是一门专门适合初学者训练自己的paddleocr模型教程。通过本教程您可以收获：（1）学会在ubuntu上安装自己的显卡驱动（2）学会在ubuntu上安装cuda+cudnn（3）学会在ubuntu上安装anaconda3（4）学会在ubuntu安装PPOCRLabel以及使用PPOCRLabel标注自己的数据集（5）学会使用ubuntu训练文本检测模型（6）学会使用ubuntu训练文本识别模型（7）学会使用paddleocr导出自己的模型（8）学会使用paddleocr测试自己的模型
共14节 538人已学习¥120.0 免费试学
深度学习paddleocr训练自己数据集windows版
paddleocr训练自己数据集windows版是一门专门适合初学者训练自己的paddleocr模型教程。通过本教程您可以收获：（1）学会在windows上安装自己的显卡驱动（2）学会在windows上安装cuda+cudnn（3）学会在windows上安装anaconda3（4）学会在windows安装PPOCRLabel以及使用PPOCRLabel标注自己的数据集（5）学会使用paddleocr训练文本检测模型（6）学会使用paddleocr训练文本识别模型（7）学会使用paddleocr导出自己的模型（8）学会使用paddleocr测试自己的模型
共15节 1154人已学习¥120.0 免费试学
深度学习搞定系列：yolov5训练自己数据集windows版
本课程将带您进入yolov5框架搭建环境，标注，训练，测试等完整实现过程。主要内容如下1、 yolov5框架基本介绍2、搭建windows上yolov5环境3、用labelImg标注自己的数据集4、转换数据集 5、配置参数6、参数调节和训练7、测试自己的模型通过本课程您将学习到yolov5整个标注数据集和训练流程，本课程全部在windows10上实现，使用的GPU环境
共7节 444人已学习¥120.0 免费试学
深度学习搞定系列:yolov5检测封装成类调用
本课程主要教会大家如何将yolov5调用模型detect.py代码抽取出来封装成一个类别，然后我们通过简单几句调用就可以实现yolov5检测目标，这样我们会很方便将yolov5框架集成到其他模块中，比如我们搭建pyqt5做界面，然后用这个封装的类进行检测，以及后续科研任务等十分方便我们的二次开发和使用。
共5节 1888人已学习¥150.0 免费试学
深度学习labelImg使用教程
本教程将为大家全面介绍labelImg软件以及使用方法，并且教会大家如何标注自己的数据集。主要包括以下几方面内容：1.labelImg介绍2.labelImg安装3.labelImg单类标注4.labelImg多类标注5.labelImg注意事项
共3节 299人已学习¥50.0 免费试学
Windowswindows虚拟机设置linux联网教程
1、简单了解虚拟机基本知识，比如什么是虚拟机，有哪些虚拟机2、帮助初次使用虚拟机得朋友们掌握centos和ubuntu在虚拟机种联网基本技巧3、学会NAT模式和桥接模式2种联网方法的流程，为联网提供流程引导，方便快速发现问题和解决问题
共3节 145人已学习¥50.0 免费试学
- 1
卢未来
研究员
熟悉众多计算机编程语言，开发众多windows程序,长期致力于图像算法、深度学习方面研究工作
课程数 12 学生数 5864