yolo

YOLO系列正传（三）神经网络的反向传播（back propagation）与公式推导YOLO系列基础合集——小白也看得懂的论文精解-CSDN博客YOLO系列正传（一）类别损失与MSE损失函数、交叉熵损失函数-CSDN博客

红色的山茶花

YOLOv9-0.1部分代码阅读笔记-downloads.pyutils\downloads.py目录downloads.py1.所需的库和模块2.def is_url(url, check=True):

Zhijun.li@Studio

联合目标检测与图像分类提升数据不平衡场景下的准确率在一些数据不平衡的场景下，使用单一的目标检测模型很难达到99%的准确率。为了优化这一问题，适当将其拆解为目标检测模型和图像分类模型的组合，可以更有效地控制最终效果，尤其是在添加焦点损失（focal loss）、调整超参数和数据预处理无效的情况下。以下是具体的实现方式及联合两个模型的推理代码。

Zhijun.li@Studio

精准提升：从94.5%到99.4%——目标检测调优全纪录在进行目标检测模型的训练过程中，我们面对了许多挑战与迭代。从初始模型的训练结果到最终的调优优化，每一步的实验和调整都有其独特的思路和收获。本文记录了我在优化目标检测模型的过程中进行的几次尝试，并详细分析了每次调整带来的效果提升。🔧

【数据集】医学常见9种皮肤疾病检测数据集11294张YOLO+VOC格式（已增强）数据集格式：VOC格式+YOLO格式压缩包内含：3个文件夹，分别存储图片、xml、txt文件 JPEGImages文件夹中jpg图片总计：11294 Annotations文件夹中xml文件总计：11294 labels文件夹中txt文件总计：11294 标签种类数：9 标签名称:["Actinic Keratosis","Basal Cell Carcinoma","Dermatofibroma","Melanoma","Nevus","Pigmented Benign Keratosis","Seb

Coovally AI模型快速验证

YOLOv8全解析：高效、精准的目标检测新时代——创新架构与性能提升目录前言一、模型介绍二、网络结构Backbone改进特征增强网络(neck)检测头(head)其它部分

【数据集】车内视角拍摄道路路面缺陷数据集1075张3类标签YOLO+VOC格式数据集格式：VOC格式+YOLO格式压缩包内含：3个文件夹，分别存储图片、xml、txt文件 JPEGImages文件夹中jpg图片总计：1075 Annotations文件夹中xml文件总计：1075 labels文件夹中txt文件总计：1075 标签种类数：3 标签名称:["Alligator Crack","Crack","Pothole"] 每个标签的框数： Alligator Crack 框数 = 254 Crack 框数 = 3293 Pothole 框数 = 223 总框数：3770 图片

CNN、RNN、LSTM和Transformer之间的区别和联系CNN和Transformer之间的区别和联系，以及自注意力机制和Transformer结构的详细介绍请查看：CNN和Transfomer介绍。

深度学习实战智能交通计数本文采用YOLOv8作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv8以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对车辆目标数据集进行训练和优化，该数据集包含丰富的车辆目标图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取车辆目标的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了车辆目标识别的水平，还为车辆目标保护提供了有力支持，具有重要的理论应用价值。

【数据集】生菜病害检测数据集530张6类YOLO+VOC格式数据集格式：VOC格式+YOLO格式压缩包内含：3个文件夹，分别存储图片、xml、txt文件 JPEGImages文件夹中jpg图片总计：530 Annotations文件夹中xml文件总计：530 labels文件夹中txt文件总计：530 标签种类数：6 标签名称:["bacterial leaf spot","bottom rot","downey mildew","healthy leaves","lettuce mosaic virus","powdery mildew"] 每个标签的框数：

大胡子大叔

关于目标检测YOLO 各版本区别v1-v11/X/R/PYOLO（You Only Look Once，你只看一次）是一系列开创性的实时目标检测模型，它们彻底改变了计算机视觉领域。由Joseph Redmon开发，后续版本由不同研究人员迭代，YOLO模型以其在图像中检测对象的高速度和准确性而闻名。以下是对每个YOLO版本的详细查看：

前网易架构师-高司机

汽车车牌识别数据集，支持YOLO，COCO，VOC格式的标注，8493张图片，可识别多种环境下的车牌汽车车牌识别数据集，支持YOLO，COCO，VOC格式的标注，8493张图片，可识别多种环境下的车牌yolov11：https://download.csdn.net/download/pbymw8iwm/90119805

天天代码码天天

C# OpenCvSharp DNN 实现百度网盘AI大赛-表格检测第2名方案第一部分-表格边界框检测目录说明效果模型项目代码frmMain.csYoloDet.cs参考下载其他百度网盘AI大赛-表格检测的第2名方案。

YOLO指标分析英文(Precision)是一个衡量模型预测准确率的指标，它关注的是模型预测为正类别（比如检测到的目标）中，有多少是真正正确的。通俗来说，精确率就是“我预测它是目标，它真的是目标的概率”

前网易架构师-高司机

MRI脑肿瘤检测数据集，使用500张原始图片标注，支持yolo，coco，voc格式MRI脑肿瘤检测数据集，使用500张原始图片标注，支持yolo，coco，voc格式数据集下载：https://download.csdn.net/download/pbymw8iwm/90125474

程序猿000001号

YOLOv11：目标检测的新高度YOLOv11是由Ultralytics团队开发的新一代目标检测模型，它不仅继承了YOLO系列的高效性和实时性能，还在检测精度和适应复杂场景的能力上取得了显著提升。YOLOv11通过引入新的架构和训练方法，实现了准确性、速度和效率的飞跃。

YOLO系列，从V1~V10，持续更新（Pytorch实现）本文主要偏向代码实战，详细的算法原理着墨不多主要创新：实现了实时的目标检测附上YOLOV1论文地址： https://arxiv.org/abs/1506.02640 关于数据首先要了解该网络架构的输入和输出，以及网络是如何进行训练的。这里主要讲一下数据集的格式以及使用labelme制作数据集（当然还有其他更好的工具，这里只做参考）如果已经安装了python，使用以下命令直接安装labelme工具，没安python的先安python

【深度学习项目】目标检测之YOLO系列详解（一）YOLO（You Only Look Once）是一种实时目标检测算法，由Joseph Redmon等人提出。与传统的基于滑动窗口和区域提案的目标检测方法不同，YOLO将目标检测问题框架化为一个单一的回归问题，直接从图像像素预测边界框和类别概率。

【深度学习项目】目标检测之YOLO系列-V4（二）YOLOv4（You Only Look Once v4）是YOLO系列目标检测算法的又一个重要版本，它在2020年由Alexey Bochkovskiy、Chien-Yao Wang和Hong-Yuan Mark Liao提出。YOLOv4在保持实时性能的同时，进一步提升了检测精度，尤其是在小物体检测方面。以下是YOLOv4的主要特点和改进：

Yolov8源码分析主要目录ultralitics（重点）1、assets目录这个文件保存了YOLO历史上可以说是最经典的两张图片，供大家测试程序来使用的。