- 博客(10)
- 收藏
- 关注
RSS订阅原创 从零到精通·硬件工程师成长之路（开篇）：零基础入门，这份路线图请收好
大家好，我是你们的同行（未来的）硬件工程师博主，今天正式开启「从零到精通·硬件工程师成长之路」系列专栏！先跟大家坦白：我目前也是从0开始学习硬件，没有科班背景，没有实操经验，甚至一开始连电阻和电容都分不清楚——写这个系列，不是为了说教，而是想把自己的每一步学习过程、每一次踩坑、每一点心得，完完整整记录下来，和所有想入门硬件工程师的朋友一起，从0到1，从入门到精通，少走弯路、高效成长。很多零基础的朋友问我：“我完全没接触过电子电路，能学会硬件吗？”“学硬件需要什么基础？”“从哪里开始学，才能最快上手？
2026-03-23 17:07:50
359
原创 第7篇｜YOLOv8 改进实战：从零优化到精度翻倍，新手也能上手的完整指南
本系列文章从YOLOv8的理论基础开始，逐步讲解了数据集制作、模型训练、基础优化，最终深入到源码级改进，完成了从入门到精通的完整闭环。基础优化：数据增强、损失函数调优、学习率调整，零源码实现5%~10%精度提升；进阶改进：锚框自适应、特征融合优化、注意力机制、解耦头优化，通过源码修改实现10%~20%精度提升；效果验证与调试：对比实验、常见问题排查、实战案例。
2026-03-23 16:40:49
415
原创 第 6 篇｜YOLOv8 实战：从零开始训练自己的数据集（详细步骤 + 避坑指南）
这篇是全网最完整的 YOLOv8 自定义数据集训练保姆级教程，从图片收集→标注→划分→格式转换→环境→训练→推理→部署→排错全覆盖。你只需要替换类别和图片，就能训练出自己的目标检测模型。
2026-03-22 23:17:25
615
1
原创 第5篇｜YOLO 损失函数详解：从 IoU 到 SIoU，框回归与分类损失的优化逻辑
我们用一张表格，总结从 MSE 到 SIoU 的进化逻辑、核心改进和解决的问题，可直接复制到博客、毕设中使用：损失类型核心改进解决的问题适用版本MSE 损失基于坐标绝对偏差无（存在诸多缺陷）YOLOv1IoU 损失引入重叠度 IoUMSE 的尺度敏感问题YOLOv3GIoU 损失引入最小包围框IoU 完全不重叠时回归方向不明确YOLOv4（可选）DIoU 损失引入中心点距离GIoU 包裹场景退化为 IoUYOLOv4（主推）CIoU 损失引入宽高比惩罚。
2026-03-22 21:48:00
507
原创 第4篇｜YOLO 标签分配机制：从 Anchor 到 Anchor-Free，样本匹配的核心逻辑
我们先举一个通俗的例子，帮大家理解标签分配的作用：假设你教一个机器人识别猫，你需要明确告诉它“这张图里，这个区域是猫（正样本，要重点学）、这个区域不是猫（负样本，不用学）、这个区域模糊看不清（忽略样本，不用管）”。如果你的指令错了——把狗标成猫（正样本标错），或者把猫标成背景（负样本标错），机器人再聪明也学不会正确识别。YOLO 模型的训练，和这个道理完全一样：正样本：模型需要学习的“目标区域”，比如猫、狗、汽车的位置，模型会重点优化这些区域的预测精度；
2026-03-20 13:39:47
458
原创 第3篇｜YOLOv8 网络结构完全拆解（超详细图解+源码对应+实战关联）
输入 → Backbone（特征提取） → Neck（特征融合） → Head（预测输出） → 后处理（NMS等），但在每个模块上都做了极致简化和优化。先给大家一个整体结构总览输入层：默认 640×640×3（RGB图像），支持动态尺寸，预处理后输入主干网络；Backbone（主干）：以 C2f 为核心模块，配合卷积层、池化层，提取图像不同尺度的特征，输出 3 个不同分辨率的特征图（80×80、40×40、20×20）；Neck（颈部）
2026-03-19 16:14:45
1385
原创 【YOLOv8 保姆级教程】过拟合解决策略：数据增强强度调参全攻略（详细参数 + 原理 + 配置代码 + 效果验证）
训练集精度极高（loss 极低）验证集 / 实际测试精度很差（loss 不降反升）模型死记硬背训练图片，无法泛化到新图片过拟合 = 模型记得太牢加大数据增强 = 让图片变多变乱模型记不住原图 → 只能学特征 → 泛化能力提升。
2026-03-18 17:23:23
203
原创 第 2 篇｜YOLO 演进史：v1～v8 全网最细深度解析（原理 + 痛点 + 改进 + 工程意义）
YOLO 自 2016 年诞生至今，经历了多次重大迭代。每一代到底升级了什么？为什么早期版本小目标差、定位不准？为什么 YOLOv8 能成为工业界、科研、毕设的绝对主流？这篇文章会用最细的粒度，把每一代的网络结构、损失函数、样本匹配、多尺度策略、优缺点全部讲清楚，让你彻底理解 YOLO 的进化逻辑。小幅度涨点，架构无革命，属于过渡版本。结构最简单精度最高速度最快部署最容易改进最方便表格版本核心突破网格 / 输出主干Anchor多尺度核心痛点v1一阶段回归7×7。
2026-03-18 16:11:46
395
原创 第 1 篇｜YOLO 核心思想：为什么它是一阶段巅峰？
很多同学都有这样的经历：拿着别人的代码，改改数据集路径、调调epochs和学习率，就能训出一个mAP不错的模型，也能顺利部署到本地跑通检测。但只要被问到以下几个问题，就会瞬间卡壳：YOLO 输出的预测结果里，x、y、w、h 到底代表什么？为什么有时候预测框会偏移、不准？同样是目标检测，为什么 YOLO 比 Faster R-CNN 快那么多？“一阶段”和“两阶段”的核心区别到底在哪里？训练时，模型是怎么判断“这个格子里有物体、那个格子里没有物体”的？置信度和类别概率之间是什么关系？
2026-03-17 19:07:22
665
原创 YOLO 理论与改进实战系列（总序）
从会用到精通：深入 YOLO 核心原理 + 算法改进实战。如果你也在学习 YOLO，欢迎关注、一起交流，共同进步！大家好，这是我新开的。
2026-03-17 16:35:17
13
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人