自从YOLOv5诞生依赖，社区就很活动，官方的更新频度也很高，检测系列一路迭代升级，集成融合了各种新颖的技术和tricks，目前最新已经更新到了v6.1版本，在我之前的博客里面也有详细教程讲解，感兴趣的话可以自行移步，文章如下：《基于自建数据集【海底生物检测】使用YOLOv5-v6.1/2版本构建目标检测模型超详细教程》而v6.2版本则是将图像识别的功能也整合了进来在我之前的博客里面也有详细讲过。感兴趣的话可以前去看下，文章如下：《基于YOLOv5-v6.2全新版本模型构建自己的图像识别模型超详细教程》本次更新的v7.0则是全面的大版本升级，最主要的功能就是全面集成支持了实例分割，虽说之前网上

Yolov8_tracking2023年2月，Yolov5发展到yolov8，这世界变得真快哦。Yolov8由ultralytics公司发布，yolov6-美团，yolov7-AlexeyBochkovskiy和Chien-YaoWang，其各有高招，对yolov5均有提升。mikel-brostrom在github上不断更新多目标跟踪方法，deepsort升级到StrongSort，检测用yolov8，tracker除了StrongSort外，还有ocsort和bytetrack，眼花缭乱。来体验一下mikel-brostrom提供的yolov8_tracking。克隆yolov8_trac

Yolov8_tracking2023年2月，Yolov5发展到yolov8，这世界变得真快哦。Yolov8由ultralytics公司发布，yolov6-美团，yolov7-AlexeyBochkovskiy和Chien-YaoWang，其各有高招，对yolov5均有提升。mikel-brostrom在github上不断更新多目标跟踪方法，deepsort升级到StrongSort，检测用yolov8，tracker除了StrongSort外，还有ocsort和bytetrack，眼花缭乱。来体验一下mikel-brostrom提供的yolov8_tracking。克隆yolov8_trac

  一、Pytorch1.1简介Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对GPU加速的深度神经网络（DNN）编程。Torch是一个经典的对多维矩阵数据进行操作的张量（tensor）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用Lua，导致在国内一直很小众，并逐渐被支持Python的Tensorflow抢走用户。作为经典机器学习库Torch的端口，PyTorch为Python语言使用者提供了舒适的写代码选择。至于为什么

  一、Pytorch1.1简介Pytorch是torch的python版本，是由Facebook开源的神经网络框架，专门针对GPU加速的深度神经网络（DNN）编程。Torch是一个经典的对多维矩阵数据进行操作的张量（tensor）库，在机器学习和其他数学密集型应用有广泛应用。与Tensorflow的静态计算图不同，pytorch的计算图是动态的，可以根据计算需要实时改变计算图。但由于Torch语言采用Lua，导致在国内一直很小众，并逐渐被支持Python的Tensorflow抢走用户。作为经典机器学习库Torch的端口，PyTorch为Python语言使用者提供了舒适的写代码选择。至于为什么

说明：1、电脑显卡： AMD显卡:      2、电脑系统：Windows11           3、Python版本：3.9一、安装anaconda登录anaconda的官网下载Anaconda|TheWorld'sMostPopularDataSciencePlatformAnacondaisthebirthplaceofPythondatascience.Weareamovementofdatascientists,data-drivenenterprises,andopensourcecommunities.https://www.anaconda.com/注意：上图下载anacon

说明：1、电脑显卡： AMD显卡:      2、电脑系统：Windows11           3、Python版本：3.9一、安装anaconda登录anaconda的官网下载Anaconda|TheWorld'sMostPopularDataSciencePlatformAnacondaisthebirthplaceofPythondatascience.Weareamovementofdatascientists,data-drivenenterprises,andopensourcecommunities.https://www.anaconda.com/注意：上图下载anacon

如何使用云端GPU训练yolov5（colab）一、获取yolov5文件从githup上直接在下载，（科学上网）链接：link二、上传文件到colab直接google搜索colab，用New–>More–>GoogleColaboratory,新建一个note文件创建完之后，可以自己取个名字，这里取名为yolov5.ipynb，然后点击左侧文件图标，等待一会，点击upload图标，找到yolov5的下载路径（因为是单个文件，所以必须把文件变成压缩包的形式），然后进行上传，上传完成后，点击刷新按钮，就可以看到上传的文件。上传好后如图所示三、训练1、设置GPU资源将自己的环境换成具有GPU的配置，

如何使用云端GPU训练yolov5（colab）一、获取yolov5文件从githup上直接在下载，（科学上网）链接：link二、上传文件到colab直接google搜索colab，用New–>More–>GoogleColaboratory,新建一个note文件创建完之后，可以自己取个名字，这里取名为yolov5.ipynb，然后点击左侧文件图标，等待一会，点击upload图标，找到yolov5的下载路径（因为是单个文件，所以必须把文件变成压缩包的形式），然后进行上传，上传完成后，点击刷新按钮，就可以看到上传的文件。上传好后如图所示三、训练1、设置GPU资源将自己的环境换成具有GPU的配置，

目录写在前面一、优化器介绍1.SGD+Momentum2.Adagrad3.Adadelta4.RMSprop5.Adam6.Adamax7.AdaW8.L-BFGS二、优化器对比优化器系列文章列表Pytorch优化器全总结（一）SGD、ASGD、Rprop、AdagradPytorch优化器全总结（二）Adadelta、RMSprop、Adam、Adamax、AdamW、NAdam、SparseAdamPytorch优化器全总结（三）牛顿法、BFGS、L-BFGS含代码Pytorch优化器全总结（四）常用优化器性能对比含代码写在前面    常用的优化器我已经用三篇文章介绍完了，现在我将对比一