野马算法创新
985本硕,AI与区块链
展开
-
基于YOLOv8的海面石油泄露检测实例分割完整含数据集
需要收集包含海面石油泄漏的图像数据集,并进行标注以指示泄漏区域。YOLO系列的模型具有快速、高效的特点,适合处理海面上的大面积图像,并能够快速识别石油泄漏的位置。在训练过程中,需要使用适当的损失函数和优化器来确保模型能够准确地检测和分割石油泄漏,并且要对模型进行充分的验证和调优,以提高其性能和鲁棒性。最后,在实际应用中,可以将训练好的模型部署到海洋监测系统中,实时监测海面上的石油泄漏情况,并及时采取应对措施,以保护海洋环境和生态系统的健康。原创 2024-06-08 15:11:46 · 153 阅读 · 1 评论 -
基于深度学习的红外船舶检测识别分类完整实现数据集8000+张
目前,广泛采用了深度学习模型,如卷积神经网络(CNN)和循环神经网络(RNN),用于红外船舶检测识别。这些模型通过大量标注的红外船舶图像数据进行训练,实现了高效的船舶检测和识别。研究人员也在不断探索如何结合多模态数据、改进网络结构和提高算法性能,以进一步提升红外船舶检测识别的准确性和效率。随着遥感技术的快速发展,包括无人机、卫星等,红外图像在船舶检测识别中的作用日益凸显。近年来,深度学习作为一种强大的图像处理技术,在红外船舶检测识别领域取得了显著进展。原创 2024-06-08 15:08:53 · 554 阅读 · 1 评论 -
基于YOLOv8深度学习的茶叶病害检测含数据集
在云南地区不利的环境条件,如强光辐射、夜间低温和白天高湿度,可能导致影响茶叶产量和质量的疾病。严重的疾病爆发会对严重依赖农业的小农经济产生灾难性影响。随着茶叶品种的增加、种植面积的扩大和栽培方法的演变,许多次生疾病开始浮出水面。及早检测疾病、及时收集疾病信息、准确识别感染原因以及评估疾病严重程度是关键步骤,可以帮助减少农药使用、最小化环境污染,并有效预防和控制疾病在蔓延和导致产量下降之前。作为云南省的特色产业和地区农业中著名的“金字品牌”,茶叶行业的高质量发展可以大大增强地区特色产业的竞争优势。原创 2024-05-30 14:52:58 · 111 阅读 · 2 评论 -
YOLO训练报错解决:OSError: [WinError 1455] 页面文件太小,无法完成操作
OSError: [WinError 1455] 页面文件太小,无法完成操作。Error loading "C:\Users\12706.conda\envs\yolov8\lib\site-packages\torch\lib\cudnn_cnn_infer64_8.dll" or one of its dependencies.降低数据加载的线程数。原创 2024-05-28 15:44:10 · 288 阅读 · 0 评论 -
如何区分单阶段目标检测和双阶段目标检测?
总结: 单阶段目标检测和双阶段目标检测的主要区别在于是否采用了区域建议网络来生成候选区域,并且在目标定位和分类的流程上有所不同。这种方法通常更加准确,适用于对检测精度要求较高的场景,比如医疗影像分析、工业质检等。示例:以YOLOv3为例,输入一张图像,经过神经网络处理后,直接输出每个边界框的位置信息和类别概率,从而完成目标检测任务。该方法简单高效,适用于实时性要求较高的场景,比如视频监控、自动驾驶等。单阶段目标检测和双阶段目标检测是两种常见的目标检测方法,它们在目标检测任务中采用了不同的技术路线。原创 2024-05-27 00:55:45 · 128 阅读 · 0 评论 -
YOLO创新点改进点的消融实验设计规范
YOLO改进的消融实验是一种重要的方法,用于评估和验证模型中不同组件的影响。在进行YOLO改进的消融实验时,我们可以选择一些可能的改进点,比如Backbone网络、Anchor框设计和损失函数设计,然后通过实验来分析它们对模型性能的影响。首先,我们需要确定实验设计。对于每个改进点,我们将设计多个实验组,并针对每个实验组训练模型并进行性能评估。这里以三个改进点为例进行说明:改进点1:Backbone网络 (改进点2:Anchor框设计 (改进点3:损失函数设计 (原创 2024-05-26 16:23:24 · 283 阅读 · 0 评论 -
如何计算YOLOv8的推理速度FPS指标?
请注意,计算FPS时,要确保使用相同的硬件设备(例如GPU或CPU)和相同的批量大小(batch size)。此外,还应考虑到可能存在的数据预处理和后处理过程所需的时间。要计算YOLO系列模型的推理速度,可以使用FPS(每秒帧数)作为指标。其中,N为图像数量,Total Time为总共花费的时间。对于每个图像,将其输入模型进行推理,并记录推理结束时间。首先,确定用于推理的图像数量(例如,N张图像)。计算总共花费的时间,即推理结束时间减去起始时间。计算FPS指标,即图像数量除以总共花费的时间。原创 2024-05-26 16:11:17 · 797 阅读 · 0 评论 -
D00178-变压器设备漏油的检测数据集338张含VOC标签
数据集一部分来自真实变压器场景,由于真实场景下样本较少,共338张,采用VOC标注格式。原创 2024-04-13 17:31:04 · 90 阅读 · 0 评论 -
YOLOv9架构图分享
它建立在以前的版本之上,结合了深度学习技术和架构设计的进步,以在目标检测任务中实现卓越的性能。性能提升:实验结果表明,YOLOv9在MS COCO等基准数据集上的目标检测任务中取得了最好的性能。它在精度、速度和整体性能方面超过了现有的实时目标检测器,使其成为需要目标检测能力的各种应用程序的最先进的解决方案。通过允许用户为不同的推理设备选择合适的计算块,GELAN增强了YOLOv9的灵活性和效率。PGI集成:YOLOv9融入了可编程梯度信息(PGI)的概念,有助于通过辅助可逆分支生成可靠的梯度。原创 2024-04-07 01:09:36 · 402 阅读 · 1 评论 -
【目标检测】西红柿成熟度数据集三类标签原始数据集280张
文末有分享链接标签名称names:- unripe。原创 2024-03-26 13:45:20 · 91 阅读 · 0 评论 -
太阳能 光伏电池缺陷异常检测数据集PVELAD
PVEL-AD包含 36,543 张具有各种内部缺陷和异构背景的近红外图像,其中包含1类无异常图像和具有 12 个不同类别的异常缺陷图像,例如裂纹(线状和星状)、断栅、黑芯、未对准、粗线、划痕、碎片、断角和材料缺陷。此外,我们为 12 种类型的缺陷提供了 40000+ 个真实标注框用于缺陷检测。河北工业大学、北京航空航天大学联合发布的——PVEL-AD 数据集又叫做EL2021数据集是用于对光伏电池异常缺陷检测方法进行基准测试的数据集。太阳能 光伏电池缺陷异常检测数据集PVELAD。原创 2024-03-18 00:33:44 · 802 阅读 · 0 评论 -
YOLOv8进行注意力机制改进的可行思路
面向目标的注意力:传统的注意力机制在计算全局的注意力权重时可能存在一定的缺陷。具体做法是,在不同层级的特征图中设计相应的注意力模块,用于控制不同层级的特征重要性。然后,在特征融合过程中,将不同层级的注意力权重进行组合,以保留目标的层级结构信息。首先,通过使用不同大小的感受野或不同层级的特征图,可以获取多个尺度的目标信息。然后,在每个尺度上设计相应的注意力模块,对不同尺度的目标进行加权。具体做法是,在多层特征图中计算不同尺度的注意力权重,并将这些权重与特征图相乘,以突出重要的尺度信息。原创 2023-09-09 11:01:37 · 247 阅读 · 0 评论 -
基于YOLOv5的钢材表面缺陷检测附数据集完整代码
此外,由于照明和材料变化的影响,同一类别内缺陷图像的灰度值存在变化。简而言之,NEU表面缺陷数据库包括两个困难挑战,即同一类别内的缺陷在外观上存在较大差异,而不同类别间的缺陷具有相似的特征,缺陷图像受到照明和材料变化的影响。在东北大学(NEU)表面缺陷数据库中,收集了热轧钢带的六种典型表面缺陷,包括轧制鳞片 (RS)、斑点 (Pa)、开裂 (Cr)、凹坑 (PS)、夹杂物 (In) 和划痕 (Sc)。在缺陷检测任务中,我们提供了注释,用于指示每个图像中缺陷的类别和位置。原创 2023-08-28 22:56:51 · 1216 阅读 · 0 评论 -
基于YOLOv8的PCB缺陷检测实现附完整代码
基于YOLOv8的PCB缺陷检测实现附数据集和完整代码原创 2023-08-27 17:40:02 · 726 阅读 · 1 评论 -
YOLOv8热力图(heatmap)生成详解附完整代码
★★★★★YOLO改进创新欢迎交流★★★★★★★★★★985团队+算法工程师保驾护航★★★★★。原创 2023-08-21 17:48:33 · 3374 阅读 · 0 评论 -
YOLO性能评估各参数详解
它综合了不同类别下的精度表现,基于不同的IOU阈值计算各类别的平均精度,并取其平均值作为最终的mAP。精度,表示正确检测到的目标数量占所有检测到的目标数量的比例。在目标检测中,一个框被认为是检测到的,当它与真实框的IOU大于设定的阈值。召回率,表示正确检测到的目标数量占所有真实目标数量的比例。在目标检测中,一个框被认为是正确的,当它与真实框的IOU大于设定的阈值。其计算公式为预测框与真实框交集的面积除以它们的并集的面积。真阳性,表示预测为正样本且与真实框有重合的检测结果。原创 2023-08-17 23:48:37 · 1159 阅读 · 0 评论 -
YOLOv8网络结构可视化,全图见文尾
由于 ultralytics采用pip的方式了,所以如果拉取源码后想直接调试,则在exporter.py文件中增加pip引导路径,否则报错找不到ultralytics模块。如果训练完毕,可以直接查看.pt文件所采用的网络结构,也是采用netron,将best.pt拖到netron里面,但是注意此时每个小模块的细节会被隐藏,只能看到粗略效果。ONNX作为一种开放的深度学习模型表示格式,旨在实现深度学习框架之间的模型转换和迁移。ONNX文件采用标准的Protobuf格式进行存储,可以存储神经网络的结构和参数。原创 2023-08-08 13:08:12 · 2374 阅读 · 6 评论 -
YOLOv5 PyTorch模型转TFLite格式
确保自己采用,因为v6.0及以上版本才有export.py,模型转换脚本。后面会补充v5.0以及以下版本训练的模型转换方法。原创 2023-07-10 15:05:30 · 1153 阅读 · 1 评论 -
【YOLOv8改进】Swin Transformer V2网络结构与YOLOv8相结合
通过以上改进思路和对应的代码修改,将Swin Transformer V2网络结构与YOLOv8相结合,分别在backbone和neck中引入了Swin Transformer块。这样做可以提升目标检测的精度和mAP,帮助模型更好地理解不同尺度和层级的特征,并提取更强大的特征表示。当然具体的改进方案还需要根据实际情况进行调整和优化,以适应不同的数据集和任务需求。原创 2023-08-06 17:30:16 · 2186 阅读 · 0 评论 -
YOLOv8网络轻量化改进原创思路及代码,结合CVPR最新Idea
近年来,轻量化目标检测一直是计算机视觉领域的研究热点。在CVPR 2023会议上,许多研究者提出了一些有效的方法来改进YOLOv8目标检测的精度和效率。结合这些最新成果,我们可以从以下几个方面来进行改进。首先,我们可以考虑使用更紧凑的网络结构来减少模型的参数数量和计算量;其次,我们可以引入一些注意力机制来提升模型对重要区域的关注程度;最后,我们可以通过增强数据增强策略和使用更先进的训练技巧来提升模型的准确性。下面将详细介绍这些改进思路以及对应的网络修改代码。原创 2023-08-06 16:59:29 · 2960 阅读 · 0 评论 -
Pytorch模型转ONNX格式详解
ONNX(Open Neural Network Exchange)则是一种开源的跨平台深度学习框架。将PyTorch模型转为ONNX格式可以使得该模型可以在其他的深度学习框架中使用,如TensorFlow,Caffe等。下面介绍一下PyTorch转ONNX的原理和方法。原创 2023-06-08 23:15:58 · 3786 阅读 · 0 评论 -
YOLOsv8安全帽检测改进创新点详解稳定涨点
最终采用的改进点为1.Loss采用AlphaIoU引入GAM注意力机制引入ODConv。原创 2023-07-25 15:11:18 · 308 阅读 · 0 评论