去年十一那会无意间刷到一个视频展示的就是德国机械收割机非常高效自动化地24小时不间断地在超广阔的土地上采摘各种作物，专家设计出来了很多用于采摘不同农作物的大型机械，看着非常震撼，但是我们国内农业的发展还是相对比较滞后的，小的时候拔草是一个人一列蹲在地里就在那埋头拔草，不知道什么时候才能走到地的尽头，小块的分散的土地太多基本上都是只能人工手工来取收割，大点的连片的土地可以用收割机来收割，不过收割机基本都是用来收割小麦的，最近几年好像老家也能看到用于收割玉米的机器了不过相对还是比较少的，玉米的收割我们基本上还是人工来收割的，不仅累效率还低遇上对玉米叶片过敏的就更要命了。。。。闲话就扯到这里了。有时
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：
1.环境准备工作（1）首先需要安装Anaconda，这个网上教程太多了，下载最新版本就行，在这里就不在赘述了。（2）安装Pytorch1.首先创建python3.6以上版本的conda环境，在这里我用的是python3.8，环境名称为mypytorchcondacreate-nmypytorchpython=3.82.激活创建好的conda环境condaactivatemypytorch3.在PyTorch官网上选择指定版本安装PytorchInstallPyTorch:https://pytorch.org/get-started/locally/ 我在这里安装的是cpu版本,如果安装GPU
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://
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，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。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。YOLOv7改进为soft-nms代码：链接：https://pan.baidu.com/s/1N9D5xjbhQjBoH12BxVsgsw 提取码：关注私信后获取解决问题：YOLOv5默认采用NMS算法，主要是通过IoU来筛选出候选框。NMS主要就是通过迭代的形式，不
[嵌入式AI从0开始到入土]嵌入式AI系列教程注：等我摸完鱼再把链接补上可以关注我的B站号工具人呵呵的个人空间，后期会考虑出视频教程，务必催更，以防我变身鸽王。第1期昇腾Altas200DK上手第2期下载昇腾案例并运行第3期官方模型适配工具使用第4期炼丹炉的搭建（基于Ubuntu23.04Desktop）第5期炼丹炉的搭建（基于wsl2_Ubuntu22.04）第6期Ubuntu远程桌面配置第7期下载yolo源码及样例运行验证第8期在线Gpu环境训练（基于启智ai协作平台）第9期转化为昇腾支持的om离线模型第10期jupyterlab的使用第11期yolov5在昇腾上推理第12期yolov5在
目录1AKConv原理1.1 Definetheinitialsamplingposition1.2 Alterableconvolutionaloperation1.3 ExtendedAKConv2YOLOv8中加入AKConv模块2.1AKConv.py文件配置2.2task.py配置2.3创建添加优化点模块的yolov8-AKConv.yaml2.4训练 1AKConv原理AKConv:ConvolutionalKernelwithArbitrarySampledShapesandArbitraryNumberofParameters摘要：基于卷积运算的神经网络在深度学习领域取得了令人
介绍摘要在目标检测任务中，多尺度特征对于编码具有尺度变化的对象至关重要。采用经典的自顶向下和自底向上特征金字塔网络是提取多尺度特征的常用策略。然而，这些方法存在特征信息的丢失或降级问题，损害了非相邻层次之间融合效果。本文提出了一种渐近特征金字塔网络（AFPN），以支持非相邻层次之间的直接交互。AFPN通过融合两个相邻的低级特征启动，并渐进地将更高级别的特征纳入融合过程。通过这种方式，可以避免非相邻层次之间较大的语义差距。考虑到每个空间位置的特征融合过程中可能出现多对象信息冲突的潜力，进一步利用自适应空间融合操作来缓解这些不一致。我们将所提出的AFPN纳入两阶段和单阶段目标检测框架中，并使用MS
数字式仪表和两种指针式仪表读数识别最近放假看到YOLOv8一直在更新，想着在家无聊把本科毕设重新做了下，之前用的是YOLOv5，下载了YOLOv8最新版把项目迁移了过来，相比于v5来说YOLOv8变化还是挺大的，功能更加集成了，话不多说，直接上结果图片和最后的检测视频。数字式仪表识别效果指针式仪表识别效果360度指针式仪表识别效果数字式仪表和指针式仪表检测视频YOLOv8+PyQt+OpenCV+Python实现数字式仪表和两种指针式仪表读数识别整体思路流程YOLOv8的检测结果更加集成了，可以在JupyterLab中根据检测结果一步步获取目标框的位置信息，不用像yolov5一样还得在源码里找
之前无意间看到一个公司专门是做鸟类识别的，据说已经积累了大量的行业领域数据集且技术已经深耕好多年了，有幸体验过实际的产品感觉还是很强大的，这里后面我就想着能够自己去基于目标检测模型来开发构建自己的鸟类检测识别分析系统。首先看下实例效果，如下所示：这里构建了包含20种鸟类的数据集，实例数据如下所示：本文是选择的是YOLOv5算法模型来完成本文项目的开发构建。相较于前两代的算法模型，YOLOv5可谓是集大成者，达到了SOTA的水平，下面简单对v3-v5系列模型的演变进行简单介绍总结方便对比分析学习:【YOLOv3】YOLOv3（YouOnlyLookOnceversion3）是一种基于深度学习的快
