- 计算机视觉
YOLOv10原理与实战训练自己的数据集
YOLOv10是最近提出的YOLO的改进版本。在后处理方面,提出了一致性双重分配策略用于无NMS训练,从而实现了高效的端到端检测。在模型架构方面,引入了全面的效率-准确性驱动模型设计策略,改善了性能-效率权衡。本课程讲解YOLOv10的论文、网络架构等原理并解析关键代码,并进行训练自己数据集的项目实战。本课程将手把手地教大家使用labelImg标注和使用YOLOv10训练自己的数据集,完成一个多目标检测实战项目,可检测图像和视频中的足球和梅西两个目标类别。 本课程分别在Windows、Ubuntu和阿里云免费GPU算力平台上做手把手的项目操作演示。GPU免费算力的领取方式和阿里云平台上的项目实战操作流程可见课程视频。课程项目内容包括:安装软件环境(Nvidia显卡驱动、cuda和cudnn)、安装PyTorch、安装YOLOv10、使用labelImg标注自己的数据集、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。 课程还提供PySide6开发的YOLOv10的可视化界面代码并进行了操作演示。
共39节 731人已学习¥58.0 免费试学 - AIGC/LLM
Llama3大模型原理代码精讲与部署微调评估实战
本课程了有关Transformer和大语言模型(LLM)的关键前置知识, 包括注意力机制、多头注意力、编码器-解码器结构等Transformer原理, 以及LLM的文本生成和LLM微调技术原理。在此基础上, 重点介绍了Llama 3模型的进化历程、技术原理和代码实现。其中涉及RMSNorm归一化、SwiGLU激活函数、RoPE位置编码、GQA注意力和KVCache等关键技术。通过代码解析, 深入剖析了Llama 3的架构设计和代码实现。在实践部分, 课程还介绍了如何在阿里云使用Ollama和vLLM部署Llama 3模型, 以及使用llama_factory工具进行基于LoRA和QLoRA的llama3 8B大模型微调。项目实战环节则提供了从准备数据集到训练、推理、评估的全流程指导, 聚焦中文增强和医疗问答两大应用方向。这是一门内容全面、理论实践并重的大模型课程。不仅系统讲解了LLM和Llama 3的技术原理, 还通过代码解析和实战项目深度剖析了相关技术在工程落地中的关键环节, 有助于学员全面掌握大模型相关知识和动手实战能力。-------------------------------------------------------------------------------具体课程内容如下:前置知识1:Transformer原理与代码精讲- 注意力机制:了解注意力机制如何使模型能够捕捉输入序列中不同位置之间的相关性。- 自注意力:解释自注意力如何允许序列的每个元素都与序列中的其他元素进行交互。- 多头注意力:探讨多头注意力如何通过并行处理多个注意力层来增强模型的能力。- 位置编码:学习位置编码如何为模型提供序列中单词的位置信息。- 编码器和解码器:深入分析Transformer的编码器和解码器结构,以及它们在模型中的作用。- 层归一化(LayerNorm)和前馈网络(FFN):介绍这两种技术如何帮助稳定和增强模型的训练过程。- 代码精讲:讲解Transformer模型的PyTorch代码实现细节等。 前置知识2:大模型(LLM)文本生成- LLM的推理方式- LLM的文本生成模式: 主要有Completion模式和Chat模式两种- LLM的文本生成策略: 包括贪婪搜索、束搜索、随机采样、温度采样、Top-k采样和Top-p采样等- LLM中的Token与分词器- llama3的文本生成过程- LLM文本生成的预填充和解码阶段- LLM文本生成中的Q、K、V机制 前置知识3:大模型微调原理- LLM的开发流程可分为预训练、有监督微调、奖励建模和强化学习四个阶段- 从基座模型到对话模型的转变。- 针对特定领域的SFT微调- 微调的技术方法包括全参微调、冻结微调、LoRA、QLoRA- LoRA技术原理和有效性- QLoRA技术原理 Llama3进化史和生态 Llama3原理精讲- Llama3模型架构- RMSNorm归一化技术- SwiGLU激活函数- RoPE旋转位置编码- GQA分组查询注意力- KVCache Llama3代码解析- 各文件功能- completion和chat应用脚本代码解析- generation.py代码解析- model.py代码解析- tokenizer.py代码解析- RMSNorm代码解析- SwiGLU代码解析- GQA代码解析- RoPE代码解析- KVCache代码解析 Llama3部署- Ollama部署llama3-阿里云免费GPU算力领取及实例创建、ollama安装、llama3推理- VLLM部署llama3 Llama3项目实战1-llama_factory微调llama3中文增强大模型- llama_factory介绍- llama_factory安装及llama3模型下载- LoRA微调训练llama3 8B Instruct模型- llama3中文增强大模型推理- llama3中文增强大模型评估(MMLU, CEVAL, CMMLU)- LoRA文件合并 Llama3项目实战2-llama_factory微调llama3医疗问答大模型(LoRA)- 准备医疗问答大模型数据集- LoRA微调训练llama3 8B Instruct模型- llama3医疗问答大模型推理 Llama3项目实战3-llama_factory微调llama3医疗问答大模型(QLoRA)- QLoRA微调训练llama3 8B Instruct模型- llama3医疗问答大模型推理-----------------------------------------------------------------------------------购课后可加入课程学习QQ群:364717673
共65节 606人已学习¥168.0 免费试学 - 深度学习
Mamba模型原理与代码精讲
课程更新:本课程已增加了Mamba-2模型的原理与代码解读。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36节 995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 314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 392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 186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 1298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 561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 331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 520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 322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 719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 2151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 934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 2061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 2646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。 本课程新增了在阿里云上使用免费GPU算力的项目实战演示流程。GPU免费算力的领取方式和阿里云平台上的项目实战操作流程可见课程视频。
共36节 493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。 本课程新增了在阿里云上使用免费GPU算力的项目实战演示流程。GPU免费算力的领取方式和阿里云平台上的项目实战操作流程可见课程视频。
共37节 1076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。 本课程新增了在阿里云上使用免费GPU算力的项目实战演示流程。GPU免费算力的领取方式和阿里云平台上的项目实战操作流程可见课程视频。
共35节 2017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。 本课程新增了在阿里云上使用免费GPU算力的项目实战演示流程。GPU免费算力的领取方式和阿里云平台上的项目实战操作流程可见课程视频。
共34节 1367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 90 学生数 525145