- 深度学习
Mamba模型原理与代码精讲
Mamba模型是最近提出的可匹敌甚至超越Transformer的前沿序列模型。Mamba引入了选择性状态空间模型(SSM), 允许SSM参数成为输入的函数,使得模型能够根据输入token沿着序列长度维度选择性地传播或遗忘信息。通过设计面向硬件的并行扫描算法, 可高效地计算,达到了线性时间复杂度。与Transformers相比, Mamba拥有快速推理和线性扩展到百万级序列长度的能力。本课程将全面深入地讲解Mamba的原理与代码实现。具体内容包括: * 图解Mamba: 讲解Transformer的问题,状态空间模型(SSM),Mamba-选择性状态空间模型 * Mamba原理精讲: 讲解序列模型、状态空间模型(SSM)、 S4状态空间模型、 Mamba(S6)架构、Mamba选择性扫描等硬件感知算法 * Mamba文本生成实战:Ubuntu系统上安装Mamba并进行文本生成实战演示 * Mamba代码精讲:讲解Mamba计算框图和语言模型流程图、代码概览、mixer_seq_simple代码解读、mamba_simple代码解读、selective_state_update代码解读、selective_scan_interface代码解读、selective_scan的C++/cuda代码解读等。通过学习本课程, 建立起对Mamba模型的全面深入理解, 掌握其核心原理与代码实现技术, 为在相关领域的进一步研究学习与创新实践打下坚实基础。
共24节 43人已学习¥18.0 免费试学 - 计算机视觉
YOLOv8模型剪枝实战:DepGraph(依赖图)方法
YOLOv8是一个当前非常流行的目标检测器,本课程使用DepGraph(依赖图)剪枝方法对YOLOv8进行网络剪枝,使其更加轻量和实用。DepGrapg剪枝方法发表于CVPR 2023,是一种通用和自动的结构化剪枝方法。它明确建模网络层之间的相互依赖关系,并全面地对耦合参数进行分组,方便剪枝处理。基于DepGraph算法开发的PyTorch结构化剪枝框架 Torch-Pruning是一个结构化剪枝库,与现有框架(如torch.nn.utils.prune)最大区别在于,它会物理地移除参数,同时自动裁剪其他依赖层。本课程在YOLOv8 v8.1版本代码的基础上增加DepGraph剪枝方法,在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程,并讲解DepGraph剪枝原理和用于YOLOv8的DepGrapgh剪枝脚本代码。本课程分为原理篇、实战篇、代码讲解篇。 * 原理篇包括:网络剪枝的基础知识、DepGraph剪枝原理以及YOLOv8的网络架构。 * 实战篇包括:PyTorch环境安装、YOLOv8项目安装、准备自己的数据集、修改配置文件、正常训练自己的数据集、YOLOv8模型DepGraph剪枝、剪枝微调后的模型测试和使用。 * 代码解析篇包括:介绍Torch-Pruning工具包和讲解YOLOv8的DepGrapgh剪枝脚本代码。
共27节 71人已学习¥88.0 免费试学 - 计算机视觉
YOLOv8模型剪枝实战:Network Slimming网络瘦身方法
YOLOv8是一个当前非常流行的目标检测器,本课程使用Network Slimming(网络瘦身)剪枝方法对YOLOv8进行模型剪枝,使其更加轻量和实用。Network Slimming是一种经典实用的模型压缩方法,可实现方便高效的通道级别的结构化剪枝。该方法通过利用BN(Batch Normalization)层中缩放因子较小的值来剪裁的相应通道,达到精简网络的目的。步骤包括:增加稀疏正则化的训练、网络模型剪枝、剪枝后的网络模型微调。本课程在YOLOv8 v8.1版本代码的基础上增加Network Slimming剪枝方法,在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程,并讲解原代码针对剪枝的修改和增加部分。本课程分为原理篇、实战篇、代码讲解篇。 * 原理篇包括:网络剪枝的基础知识、Network Slimming剪枝原理以及YOLOv8的网络架构。 * 实战篇包括:PyTorch环境安装、YOLOv8项目安装、准备自己的数据集、修改配置文件、正常训练自己的数据集、稀疏化训练、网络模型剪枝、剪枝后的网络模型微调。 * 代码解析篇包括:为剪枝修改和增加代码的讲解。
共28节 68人已学习¥88.0 免费试学 - 计算机视觉
Triton推理服务器部署YOLOv8实战
Triton Inference Server(Triton 推理服务器)是一个高性能、灵活、可扩展的推理服务器,支持多种机器学习框架(PyTorch、ONNX等)和部署场景。本课程讲述如何在Triton Inference Server(推理服务器)上部署YOLOv8目标检测的推理服务。 课程完整演示了在Ubuntu操作系统上使用Triton推理服务器的ONNX Runtime后端和TensorRT后端部署YOLOv8目标检测模型。部署流程涵盖了以下关键步骤: 安装Docker、安装Nvidia Container Toolkit、导出ONNX模型、构建TensorRT引擎、组织模型仓库布局文件、构建Triton推理Docker容器、运行和测试Triton推理服务器。
共19节 42人已学习¥88.0 免费试学 - 计算机视觉
YOLOv8旋转目标检测实战:训练自己的数据集
旋转目标检测是计算机视觉领域的一个高级任务,它在传统目标检测的基础上进一步发展。传统目标检测技术主要关注于识别和定位图像中的物体,通常以水平边界框(HBB)来标识目标物体的位置。而旋转目标检测则旨在识别并准确定位图像中旋转的物体,为每个检测到的物体提供一个旋转边界框(OBB),这种边界框能够更紧密地贴合目标物体的实际形状和朝向。YOLOv8 基于先前 YOLO 版本的成功,引入了新功能和改进,进一步提升性能和灵活性。YOLOv8支持旋转目标检测任务。本课程以船舶旋转目标检测为例,将手把手地教大家使用X-AnyLabeling手动和自动标注图像中物体的旋转框,并使用YOLOv8利用DOTA OBB数据集上的预训练权重在自己的数据集微调训练,完成一个旋转目标检测实战项目。 本课程分别在Windows和Ubuntu系统上做项目实战演示。包括:安装软件环境、安装PyTorch、安装YOLOv8、标注自己的数据集、准备自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。 本课程还讲解了YOLOv8旋转目标检测的原理,包括高斯边界框和概率交并比、损失函数, 并对YOLOv8 OBB相关的代码进行了解析。
共23节 379人已学习¥68.0 免费试学 - 计算机视觉
YOLOv8姿态估计实战:训练自己的数据集
YOLOv8 基于先前 YOLO 版本的成功,引入了新功能和改进,进一步提升性能和灵活性。YOLOv8 同时支持目标检测和姿态估计任务。 本课程以熊猫姿态估计为例,将手把手地教大家使用CVAT标注图像中的关键点和skeleton,并使用YOLOv8训练自己的数据集,完成一个多姿态估计实战项目。 本课程分别在Windows和Ubuntu系统上做项目实战演示。包括:安装软件环境、安装PyTorch、安装YOLOv8、使用CVAT标注自己的数据集、数据集格式转换(COCO转YOLO)、准备自己的数据集(自动划分训练集和验证集)、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。 课程还包括对YOLOv8姿态估计的原理论文解读、网络输出和损失函数、以及YOLOv8姿态估计相关代码解析。
共25节 222人已学习¥68.0 免费试学 - 计算机视觉
YOLOv8实例分割实战:ONNX模型转换及TensorRT部署
PyTorch版的YOLOv8支持高性能的实时实例分割。TensorRT是针对英伟达GPU的加速工具。ONNX (Open Neural Network Exchange) 作为一个开放的网络模型中间表示(IR)格式,提供了跨框架兼容性。可以方便不同的框架轻松地交换模型,有助于框架之间的互操作性。本课程讲述如何对YOLOv8实例分割的PyTorch权重文件转成ONNX格式并进行TensorRT加速部署。相比与直接使用TensorRT API构建推理引擎,本方法更具灵活性,可用于修改YOLOv8网络架构后的模型部署。课程亮点包括: * YOLOv8实例分割的PyTorch权重文件转成ONNX,再转成TensorRT 推理引擎 * 支持在GPU上端到端TensorRT加速部署,包括预处理(图像resize, 归一化)、网络推理、后处理(非极大抑制) 均在GPU上执行 * 支持FP16加速 * 提供C++和Python的TensorRT加速命令接口 * 分别在Windows和Ubuntu系统上做YOLOv8的ONNX转换及TensorRT部署演示 * 支持图片、图片文件夹、视频文件的TensorRT的加速推理 * 提供YOLOv8的ONNX转换及TensorRT加速部署代码和代码解析文档 实测推理速度提高2倍以上。课程内容包括: * 原理篇(YOLOv8网络架构与组件、TensorRT基础、ONNX基础、CUDA编程方法) * 实践篇(Windows和Ubuntu系统上的ONNX模型转换及TensorRT加速部署流程演示) * 代码解析篇(YOLOv8的ONNX模型转换及TensorRT加速的代码解析)
共35节 137人已学习¥68.0 免费试学 - 计算机视觉
YOLOv8目标检测实战:ONNX模型转换及TensorRT部署
PyTorch版的YOLOv8是先进的高性能实时目标检测方法。 TensorRT是针对英伟达GPU的加速工具。ONNX (Open Neural Network Exchange) 作为一个开放的网络模型中间表示(IR)格式,提供了跨框架兼容性。可以方便不同的框架轻松地交换模型,有助于框架之间的互操作性。本课程讲述如何对YOLOv8目标检测的PyTorch权重文件转成ONNX格式并进行TensorRT加速部署。相比与直接使用TensorRT API构建推理引擎,本方法更具灵活性,可用于YOLOv8网络架构修改后的模型部署。课程内容包括: * YOLOv8目标检测的PyTorch权重文件转成ONNX格式,再转成TensorRT 推理引擎 * 支持在GPU上端到端TensorRT加速部署,包括预处理(图像resize, 归一化)、网络推理、后处理(非极大抑制) 均在GPU上执行 * 支持FP16加速 * 提供C++和Python的TensorRT加速命令接口 * 分别在Windows和Ubuntu系统上做YOLOv8的ONNX转换及TensorRT部署演示 * 支持图片、图片文件夹、视频文件的TensorRT的加速推理 * 提供YOLOv8的ONNX转换及TensorRT加速部署代码和代码解析文档 实测推理速度提高2倍以上。课程内容包括: * 原理篇(YOLOv8网络架构与组件、TensorRT基础、ONNX基础、CUDA编程方法) * 实践篇(Windows和Ubuntu系统上的ONNX模型转换及TensorRT加速部署流程演示) * 代码解析篇(YOLOv8的ONNX模型转换及TensorRT加速的代码解析)
共33节 207人已学习¥68.0 免费试学 - 计算机视觉
YOLOv8实例分割实战:TensorRT加速部署
PyTorch版的YOLOv8支持高性能实时实例分割方法。 TensorRT是针对英伟达GPU的加速工具。本课程讲述如何使用TensorRT对YOLOv8实例分割进行加速和部署,实测推理速度提高3倍以上。 采用改进后的tensorrtx/yolov8的代码,使用TensorRT API构建优化推理引擎 支持在GPU上端到端TensorRT加速部署,包括预处理(图像resize, BGR->RGB,归一化)、网络推理在GPU上执行 提供C++和Python的TensorRT加速命令接口 分别在Windows和Ubuntu系统上做YOLOv8的TensorRT加速和部署演示 支持图片、图片文件夹、视频文件的TensorRT的加速推理 提供YOLOv8的TensorRT加速部署代码和代码解析文档课程内容包括:原理篇(YOLOv8网络架构、YOLOv8实例分割网络输出、TensorRT基础、CUDA编程方法)、实践篇(Windows和Ubuntu系统上的TensorRT加速部署演示)、代码解析篇(YOLOv8实例分割的TensorRT加速的代码解析) 。本课程提供YOLOv8的TensorRT加速部署代码和代码解析文档。
共34节 155人已学习¥68.0 免费试学 - 计算机视觉
YOLOv8原理与源码解析
【为什么要学习这门课】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!代码阅读是从基础到提高的必由之路。YOLOv8 基于先前 YOLO 版本的成功,引入了新功能和改进,进一步提升性能和灵活性。YOLOv8使用PyTorch开发,设计了更高效的具有丰富梯度流的骨干网络和Neck。采用了Anchor-free无锚范式、解耦头、Task Aligned正负样本分配策略和CIoU+DFL损失等前沿技术。YOLOv8使用PyTorch实现,含有很多业界前沿和常用的技巧,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,可以作为相关项目的借鉴和改进基础。【课程内容与收获】本课程将详细解析YOLOv8目标检测的实现原理和源码。课程分为基础篇、实践篇、原理篇和源码解析篇。在实践篇中演示Windows和Ubuntu系统上训练PASCAL VOC数据集的流程。原理篇中讲述YOLO目标检测技术发展史、YOLOv8的网络架构、任务对齐标签分配和损失函数。源码解析篇中揭秘YOLOv8安装的幕后过程、详细介绍YOLOv8是如何跑起来的、深入解析YOLOv8目标检测源码包括网络模块、网络构建、任务对齐分配TAL、损失函数源码解析、数据增强、数据集和数据加载器、训练技巧、预测器、训练器、并使用PyCharm对预测流程和训练流程进行debug单步跟踪分析解读。课程提供YOLOv8源码解析文档以及预测和训练的PyTorch脚本文件。
共39节 295人已学习¥116.0 免费试学 - 计算机视觉
YOLOv8目标检测实战:TensorRT加速部署
PyTorch版的YOLOv8是先进的高性能实时目标检测方法。 TensorRT是针对英伟达GPU的加速工具。本课程讲述如何使用TensorRT对YOLOv8目标检测进行加速和部署。 * 采用改进后的tensorrtx/yolov8的代码,使用TensorRT API构建优化推理引擎 * 支持在GPU上端到端TensorRT加速部署,包括预处理(图像resize, BGR->RGB,归一化)、网络推理、后处理(非极大抑制) 均在GPU上执行 * 支持FP16和INT8量化加速 * 提供C++和Python的TensorRT加速命令接口 * 分别在Windows和Ubuntu系统上做YOLOv8的TensorRT加速和部署演示 * 支持图片、图片文件夹、视频文件的TensorRT的加速推理 * 提供YOLOv8的TensorRT加速部署代码和代码解析文档 实测推理速度提高3倍以上,采用INT8量化加速后推理速度更快。RTX 3060 GPU上端到端处理速度约2.5毫秒,INT8量化加速后推理速度可小于2毫秒。课程内容包括:原理篇(YOLOv8网络架构与组件、TensorRT基础、TensorRT INT8量化、CUDA编程方法)、实践篇(Windows和Ubuntu系统上的TensorRT加速和INT8量化部署演示)、代码解析篇(YOLOv8的TensorRT加速的代码解析) 。本课程提供YOLOv8的TensorRT加速部署代码和代码解析文档。
共38节 1672人已学习¥88.0 免费试学 - 计算机视觉
YOLOv8+BoT-SORT多目标跟踪(行人车辆计数与越界识别)
BoT-SORT是发表于2022年的先进的多目标跟踪算法,它结合了运动和外观信息、相机运动补偿和更准确的卡尔曼滤波状态向量,并把这些改进集成到ByteTrack,从而在MOTA、IDF1和HOTA性能指标上超过了ByteTrack,增强了目标跟踪的鲁棒性,比较适用于存在相机运动的场景。YOLOv8代码中已集成了BoT-SORT。本课程使用YOLOv8和BoT-SORT对视频中的行人、车辆做多目标跟踪计数与越界识别,开展YOLOv8目标检测和BoT-SORT多目标跟踪强强联手的应用。课程分别在Windows和Ubuntu系统上做项目演示,并对BoT-SORT原理和代码做详细解读(使用PyCharm单步调试讲解)。课程包括:基础篇、实践篇、原理篇和代码解析篇。 基础篇包括多目标跟踪任务介绍、常用数据集和评估指标; 实践篇包括Win10和Ubuntu系统上的YOLOv8+BoT-SORT的多目标跟踪计数与越界识别具体的实践操作步骤演示; 原理篇中讲解了马氏距离、匈牙利算法、卡尔曼滤波器、SORT、DeepSORT和BoT-SORT多目标跟踪算法的原理,并解读了BoT-SORT论文; 代码解析篇中使用PyCharm单步调试对BoT-SORT的代码逐个文件进行讲解。课程提供代码解析文档。相关课程:《YOLOv8+ByteTrack多目标跟踪(行人车辆计数与越界识别)》https://edu.csdn.net/course/detail/38901《YOLOv8+DeepSORT多目标跟踪(行人车辆计数与越界识别)》 https://edu.csdn.net/course/detail/38870 <https://edu.csdn.net/course/detail/38870>《YOLOv5+DeepSORT多目标跟踪与计数精讲》https://edu.csdn.net/course/detail/32669
共41节 621人已学习¥88.0 免费试学 - 计算机视觉
YOLOv8+ByteTrack多目标跟踪(行人车辆计数与越界识别)
ByteTrack是发表于2022年的ECCV国际会议的先进的多目标跟踪算法。YOLOv8代码中已集成了ByteTrack。本课程使用YOLOv8和ByteTrack对视频中的行人、车辆做多目标跟踪计数与越界识别,开展YOLOv8目标检测和ByteTrack多目标跟踪强强联手的应用。课程分别在Windows和Ubuntu系统上做项目演示,并对ByteTrack原理和代码做详细解读(使用PyCharm单步调试讲解)。课程包括:基础篇、实践篇、原理篇和代码解析篇。 基础篇包括多目标跟踪任务介绍、常用数据集和评估指标; 实践篇包括Win10和Ubuntu系统上的YOLOv8+ByteTrack的多目标跟踪计数与越界识别具体的实践操作步骤演示; 原理篇中讲解了马氏距离、匈牙利算法、卡尔曼滤波器、SORT、DeepSORT和ByteTrack多目标跟踪算法的原理,并解读了ByteTrack论文; 代码解析篇中使用PyCharm单步调试对ByteTrack的代码逐个文件进行讲解。课程提供代码解析文档。
共39节 1390人已学习¥88.0 免费试学 - 计算机视觉
YOLOv8+DeepSORT多目标跟踪(行人车辆计数与越界识别)
本课程使用YOLOv8和DeepSORT对视频中的行人、车辆做多目标跟踪计数与越界识别(电子围栏),开展YOLOv8目标检测和DeepSORT多目标跟踪强强联手的应用。课程分别在Windows和Ubuntu系统上做项目演示,并对DeepSORT原理和代码做详细解读(使用PyCharm单步调试讲解)。课程包括:基础篇、实践篇、原理篇和代码解析篇。 基础篇包括多目标跟踪任务介绍、常用数据集和评估指标; 实践篇包括Win10和Ubuntu系统上的YOLOv8+DeepSORT的多目标跟踪计数与越界识别具体的实践操作步骤演示,特别是对行人、车辆的ReID数据集讲解了训练方法; 原理篇中讲解了马氏距离、匈牙利算法、卡尔曼滤波器的原理,并解读了SORT和DeepSORT论文; 代码解析篇中使用PyCharm单步调试对DeepSORT的代码逐个文件进行讲解。课程提供注释后的代码和代码解析文档。
共49节 2030人已学习¥98.0 免费试学 - 计算机视觉
YOLOv8实战口罩佩戴检测
口罩佩戴检测可以应用于公共场所的安全管理、疫情防控监测等多种场景。YOLOv8是前沿的目标检测技术,它基于先前 YOLO 版本在目标检测任务上的成功,进一步提升性能和灵活性。本课程使用YOLOv8实现人脸口罩佩戴的实时检测。课程提供超万张已标注人脸口罩数据集。本课程会讲述本项目超万张人脸口罩数据集的制作方法,包括使用labelImg以及使用Python代码对第三方数据集进行清洗。训练后的YOLOv8可对真实场景下人脸口罩佩戴进行高精度实时检测。课程提供PySide6开发的可视化演示界面,可实时检测图像、视频、摄像头和流媒体(http/rtsp)中的口罩佩戴。本课程分别在Windows和Ubuntu系统上做项目演示。包括:安装软件环境(Nvidia显卡驱动、cuda和cudnn)、安装PyTorch、安装YOLOv8、准备数据集(自动划分训练集和验证集)、修改配置文件、训练数据集(合适的命令参数选择)、测试训练出的网络模型和性能统计、项目可视化演示界面。
共31节 363人已学习¥68.0 免费试学 - 计算机视觉
YOLOv8实战中国交通标志识别
在无人驾驶中,交通标志识别是一项重要的任务。YOLOv8是前沿的目标检测技术,它基于先前 YOLO 版本在目标检测任务上的成功,进一步提升性能和灵活性。本课程将手把手地带大家使用YOLOv8训练TT100K中国交通标志数据集,完成一个多目标检测实战项目。可实时检测图像、视频、摄像头和流媒体(http/rtsp)中的交通标志,并提供PySide6开发的可视化演示界面 。TT100K(Tsinghua-Tencent 100K)是一个专门用于交通标志检测的大规模数据集。该数据集由清华大学与腾讯公司联合开发。TT100K数据集包含了超过10万张图片。图片中包含了不同类型的交通标志,总计约有200,000个标签。本课程会讲述使用Python程序将TT100K数据集的格式转换成PASCAL VOC格式和YOLO格式的方法,并提供相应代码。本课程分别在Windows和Ubuntu系统上做项目演示。包括:安装软件环境(Nvidia显卡驱动、cuda和cudnn)、安装PyTorch、安装YOLOv8、 TT00K数据集数据格式转换、准备数据集(自动划分训练集和验证集)、修改配置文件、训练数据集(合适的命令参数选择)、测试训练出的网络模型和性能统计、项目可视化演示界面。
共32节 653人已学习¥88.0 免费试学 - 计算机视觉
YOLOv8实战垃圾分类目标检测
垃圾分类是一项利国利民的民生工程,需要全社会的共同参与。 YOLOv8是前沿的目标检测技术,它基于先前 YOLO 版本在目标检测任务上的成功,进一步提升性能和灵活性。本课程将手把手地教大家使用YOLOv8训练垃圾分类数据集,完成一个多目标检测实战项目。项目利用超万张已标注的目标检测数据集进行训练,对居民生活垃圾图片进行检测,找出图片中属于哪个类别的垃圾,并指示出在图片中的位置。项目完成后可实时检测图像、视频、摄像头和流媒体(http/rtsp)中44个类别的分类垃圾,并提供可视化演示界面 。 本课程分别在Windows和Ubuntu系统上做项目演示。包括:数据集及格式转换、探索性数据分析(EDA)、安装软件环境(Nvidia显卡驱动、cuda和cudnn)、安装PyTorch、安装YOLOv8、 准备数据集(自动划分训练集和验证集)、修改代码(支持中文标签显示)、修改配置文件、训练垃圾分类目标检测数据集(合适的命令参数选择)、测试训练出的网络模型和性能统计、GUI可视化演示界面使用PySide6开发,支持本地图片和视频推理、摄像头实时视频流推理、HTTP/RTSP流实时推理。
共30节 1529人已学习¥88.0 免费试学 - 计算机视觉
YOLOv8实战火焰和烟雾检测
YOLOv8 基于先前 YOLO 版本在目标检测任务上的成功,进一步提升性能和灵活性。本课程将手把手地教大家使用YOLOv8结合可变形卷积(deformable convolution)训练火焰和烟雾数据集,完成一个多目标检测实战项目,可实时检测图像、视频、摄像头和流媒体(http/rtsp)中火焰和烟雾,并提供可视化演示界面 。 课程的火焰和烟雾数据集中图片数量超过9000张,以PASCAL VOC格式标注,分为火焰、烟雾和其它三个物体类别。 本课程分别在Windows和Ubuntu系统上做项目演示。包括:安装软件环境(Nvidia显卡驱动、cuda和cudnn)、安装PyTorch、安装YOLOv8、 准备数据集(自动划分训练集和验证集)、修改配置文件、训练自己的数据集(合适的命令参数选择)、测试训练出的网络模型和性能统计、YOLOv8结合可变形卷积训练数据集、GUI可视化演示界面使用PySide6开发,支持本地图片和视频推理、摄像头实时视频流推理、HTTP/RTSP流实时推理。
共29节 1117人已学习¥88.0 免费试学 - 计算机视觉
YOLOv8实战VisDrone无人机目标检测
YOLOv8 基于先前 YOLO 版本的成功,进一步提升性能和灵活性。VisDrone2019数据集是在不同的无人机平台、不同的场景以及不同的天气和光照条件下收集。数据集包含了多种类型的目标,包括行人、车辆、自行车、摩托车等。由于无人机的高空视角、目标的小尺寸、复杂的背景等因素,VisDrone目标检测任务具有很高的挑战性。本课程将手把手地教大家使用YOLOv8训练VisDrone无人机目标检测数据集,完成VisDrone目标检测竞赛实战项目,并尝试涨点技巧。本课程分别在Windows和Ubuntu系统上做项目演示。包括:安装软件环境(Nvidia显卡驱动、cuda和cudnn)、安装PyTorch、安装YOLOv8、 下载VisDrone数据集和格式转换(VisDrone->YOLO,提供格式转换python脚本)、修改配置文件、YOLOv8s训练数据集(合适的命令参数选择)、测试训练出的网络模型和性能统计、YOLOv8s+增大网络分辨率、YOLOv8s+数据增强改变、YOLOv8x训练数据集、超参conf和iou阈值改变、其它改进建议、检测结果格式转换及提交(YOLO->VisDrone,,提供格式转换python脚本)。
共33节 2103人已学习¥68.0 免费试学 - 计算机视觉
YOLOv8实例分割实战:Android手机部署
本课程在Windows上手把手演示YOLOv8(YOLOv8n和YOLOv8s)实例分割在Android(安卓)手机进行部署的过程。内容包括:安装软件环境、安装PyTorch,克隆和安装YOLOv8,导出onnx模型,onnx转换成NCNN文件,安装Android Studio,准备Android项目文件(下载项目文件、放置ncnn模型文件、放置ncnn和opencv的android文件),手机连接电脑并编译软件(安装投屏软件、手机连接电脑配置、编译和调试、导出签名apk),自己数据集训练模型的部署,项目代码解析(安卓的JNI机制、YOLOv8实例分割算法原理、C++代码、Java代码)。
共14节 599人已学习¥88.0 免费试学
- 1
- 2
- 3
- 4
- 5
白老师
研究员/教授
教授, 博士生导师, 人工智能技术专家
课程数 88 学生数 497095