关于无人机相关的场景在我们之前的博文也有一些比较早期的实践，感兴趣的话可以自行移步阅读即可：《deepLabV3Plus实现无人机航拍目标分割识别系统》《基于目标检测的无人机航拍场景下小目标检测实践》《助力环保河道水质监测，基于yolov5全系列模型【n/s/m/l/x】开发构建不同参数量级的无人机航拍河道污染漂浮物船只目标检测识别系统，集成GradCAM对模型检测识别能力进行分析》《基于YOLO开发构建红外场景下无人机航拍车辆实例分割检测识别分析系统》《基于轻量级YOLO模型开发构建大疆无人机检测系统》《基于轻量级YOLOv5n/s/m三款模型开发构建基于无人机视角的高空红外目标检测识别分析
欢迎大家订阅我的专栏一起学习YOLO！ 一、本文介绍本文给大家带来的是进阶实战篇，利用辅助超推理算法SAHI进行推理，同时官方提供的版本中支持视频，我将其进行改造后不仅支持视频同时支持图片的推理方式，SAHI主要的推理场景是针对于小目标检测（检测物体较大的不适用，因为会将一些大的物体切割开来从而导致误检），检测效果非常的好对于小目标检测，尤其是无人机航拍的图片检测或者远距离拍摄的图片，本文中附代码+详细的参数讲解并有教程示例！专栏目录：
前 言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：加入BIFPN加权双向金字塔结构，提升不同尺度的检测效果。2023.1.8更新有朋友问在添加小目标检测层，四个检测层的基础上如何改进特征融合网络，改进方法其他不变，需要修改yaml文件，有需要可关注私信我。 部分yaml内容如下所示：完整见百度网盘链接：链接：https://
目录前言设计思路一、课题背景与意义二、算法理论原理2.1 空间-通道注意力模块2.2 自注意力主干网络三、检测的实现3.1数据集3.2实验环境搭建3.3实验及结果分析实现效果图样例最后前言 📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路（见文末！）。 🚀对毕设有任何疑问都可以问学长哦! 选题指导: 最新
号外：教链内参2.6《内参：微策略1月又加仓》隔夜比特币又回升到43k。微策略1月份继续加仓850枚BTC。昨天一篇《加仓！》引起诸多共鸣。大A也触底反弹，不管如何否认下跌针对爆雪球们的杠杆，事实就是雪球们全军覆没之后，白茫茫大地真干净，市场才开始触底反弹。墨菲定律早就说过，能爆的杠杆一定要爆干净。打扫干净屋子再请客。杠杆不死，回调不止。又看到有人组织大咖分享怎么牛市从100万赚到1个“小目标”的帖子。我翻遍全帖，都没找到和这个主题有关系的段落。那就瞎说两句吧，和原帖无关。首先“小目标”这个“黑话”的意思，如果没有理解错的话，应该是语出前首富王健林几年前的那句流行语录：“先定一个小目标，比方说
论文阅读|小目标分割算法ASF-YOLO摘要（Abstract）1引言（Introduction）2相关工作（Relatedwork）2.1细胞实例分割（Cellinstancesegmentation）2.2改进的YOLO用于实例分割（ImprovedYOLOforinstancesegmentation）3提出的ASF-YOLO（TheproposedASF-YOLOmodel）3.1总体框架（Overallarchitecture）3.2尺度序列特征融合模块（Scalesequencefeaturefusionmodule）3.3三重特征编码模块（Triplefeatureencodin
前 言 YOLO算法改进系列出到这，很多朋友问改进如何选择是最佳的，下面我就根据个人多年的写作发文章以及指导发文章的经验来看，按照优先顺序进行排序讲解YOLO算法改进方法的顺序选择。具体有需求的同学可以私信我沟通：第一，创新主干特征提取网络，将整个Backbone改进为其他的网络，比如这篇文章中的整个方法，直接将Backbone替换掉，理由是这种改进如果有效果，那么改进点就很值得写，不算是堆积木那种，也可以说是一种新的算法，所以做实验的话建议朋友们优先尝试这种改法。第二，创新特征融合网络，这个同理第一，比如将原yolo算法PANet结构改进为Bifpn等。第三，改进主干特征提取网络，
一、本文介绍本文给大家带来的是主干网络RevColV1，翻译过来就是可逆列网络去发表于ICLR2022，其是一种新型的神经网络设计(和以前的网络结构的传播方式不太一样)，由多个子网络（列）通过多级可逆连接组成。这种设计允许在前向传播过程中特征解耦，保持总信息无压缩或丢弃。其非常适合数据集庞大的目标检测任务，数据集数量越多其效果性能越好，亲测在包含1000个图片的数据集上其涨点效果就非常明显了，大家可以多动手尝试，其RevColV2的论文同时已经发布如果代码开源我也会第一时间给大家上传。推荐指数：⭐⭐⭐⭐⭐涨点效果：⭐⭐⭐⭐⭐专栏目录：
前言YOLO-NAS是目前最新的YOLO目标检测模型。从一开始，它就在准确性方面击败了所有其他YOLO模型。与之前的YOLO模型相比，预训练的YOLO-NAS模型能够以更高的准确度检测更多目标。但是我们如何在自定义数据集上训练YOLONAS？这将是我们本文的目标——在自定义数据集上训练不同的YOLONAS模型。YOLO-NAS训练YOLO-NAS的主要主张是它可以比以前的模型更好地检测更小的物体。尽管我们可以运行多个推理实验来分析结果，但在具有挑战性的数据集上对其进行训练将使我们有更好的理解。为此，我们将使用三个可用的预训练YOLO-NAS模型运行四个训练实验。为此，我们选择无人机热成像检测数
前言：作为当前先进的深度学习目标检测算法YOLOv5、v7系列算法，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。此后的系列文章，将重点对YOLO系列算法的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。解决问题：小目标由于携带信息少导致特征表达能力较弱，经过多层次的卷积操作后能提取到的特征较少，因此检测困难。利用自校正卷积取代特征提取网络中的常规卷积，以扩展感受野丰富输出，进而强化对弱特征的提取能力。主要原理：论文：20cvprSCNet.pdf(mmcheng.net)
