dejahu的博客

CLIP（Contrastive Language-Image Pre-training）是OpenAI在2021年发布的一个多模态模型，它的核心能力是理解图像和文本之间的关系。8,000张训练图像1,000张验证图像1,000张测试图像每张图像有5个不同的英文描述│ ││ 理论篇 → 实战篇 ││ ├── CLIP是什么 ├── clip.py 网络结构 ││ ├── 论文核心 ├── flickr8k_dataset.py 数据加载 │。

YOLO-World是一个基于 YOLOv8 架构的开放词汇目标检测模型，由腾讯 AILab-CVC 团队提出，发表在 CVPR 2024。

开放词汇目标检测研究综述摘要 开放词汇目标检测(OVOD)突破了传统目标检测的封闭类别限制，能够通过自然语言描述识别任意新类别。本文系统梳理了OVOD的研究进展：首先分析传统检测方法的局限性(封闭类别、泛化能力差、扩展成本高)，明确OVOD的核心定义是"基于文本引导识别新物体"；其次对比传统与开放检测在类别设定、文本输入、零样本能力等方面的差异；然后介绍OVOD发展历程，从2017年萌芽期到2023年实时期(YOLO-World等)；最后指出OVOD的优势在于无需重新训练即可扩展新类别，

本文档描述了一个基于PyQt5的YOLO模型推理展示GUI工具，包含两个主要页面：模型加载页面（支持模型选择、类别显示和参数设置）和检测页面（支持多种检测源选择、实时结果展示和历史记录）。该工具要求界面直观、响应快速，支持Windows系统，使用YOLO库进行推理。文档详细说明了功能需求、界面设计、交互流程、实现计划以及可能的技术风险与应对措施，最终将交付可执行脚本和使用说明文档。

本文介绍了基于VGG网络的肺炎图像分类系统实现。首先概述了VGG网络结构特点，包括其模块化设计思想（由卷积层、ReLU激活和最大池化组成的重复块结构）和VGG-11的典型架构。接着详细说明了项目实战流程：数据准备阶段强调数据集清洗和按6:2:2比例划分训练/验证/测试集；模型训练使用timm库加载预训练VGG模型，并记录了训练过程中的准确率和损失变化曲线；最后通过test.py脚本对训练好的模型进行验证。项目完整展示了从理论到实践的深度学习应用过程，特别针对医学图像分类任务提供了可复现的实现方案。

《X-AnyLabeling智能标注工具使用手册》摘要 本手册详细介绍了X-AnyLabeling智能标注工具的各项功能和使用方法。主要内容包括：文件管理（数据导入/删除/保存）、对象操作（创建/编辑）、视图设置、多种标签格式的导入导出（YOLO/VOC/COCO等）、工具栏功能（数据统计/标签管理）、帮助及语言设置、用户配置（快捷键/标签颜色）、多种标注任务支持（分类/检测/分割/OCR等）、模型管理和高级功能。手册提供了从基础操作到高级应用的完整指导，包含快捷键操作、自动保存设置、标签文件格式说明等实用

摘要 X-AnyLabeling是一款支持AI辅助的智能标注工具，适用于计算机视觉任务。本文介绍了其安装方法，包括： 提供pip安装和Git源码安装两种方式 详细说明了使用Miniconda或venv创建虚拟环境的步骤 区分了CPU和GPU版本（CUDA 11.x/12.x）的安装命令 介绍了开发者模式安装及常用命令行参数 支持高级功能如远程推理、视频目标追踪等（需Git克隆方式安装） 该工具特别适合离线环境下的专业领域AI模型构建，如海洋生物识别等特殊场景。

本文介绍了目标检测标注工具LabelImg的安装与使用方法。首先详细说明了如何通过conda创建虚拟环境并安装LabelImg，然后讲解了图像数据集的准备工作，提供了中文路径处理的Python脚本。文章重点介绍了LabelImg的标注功能，包括常用快捷键的使用，并对比了YOLO、VOC和COCO三种数据格式的特点。特别针对YOLO格式的标注进行了详细说明，解释了其txt标签文件的结构和数值含义，通过具体示例展示了目标检测数据的标注规范，帮助用户快速掌握标注工具的使用方法。

本文介绍了Python项目配置前的准备工作：1）安装Miniconda并配置清华镜像源提升下载速度；2）安装免费的PyCharm社区版开发工具；3）安装Visual C++编译工具以避免部分库安装错误；4）可选安装字体文件解决YOLO运行时字体缺失问题。这些基础配置能有效提高后续Python项目开发效率。

【代码】30 Days Of Python教程索引。

labelme在实例分割和语义分割任务中经常用到，很多小伙伴完成ai的任务的时候，有的时候不只需要找到对应物体的边界框，对物体的整体的轮廓信息也有比较严格的要求，比如通过物体的mask来计算出对应物体的面积。所以，今天这期，我们来说一下labelme软件如何进行使用，以及根据这一期的内容来完成后面的语义分割的任务。

本文解读了YOLOv11模型训练后生成的各项指标图表。主要包括：labels.jpg展示数据分布特征，train_batchx.jpg显示数据增强效果，args.yaml记录训练配置参数，results.png呈现loss和mAP指标变化趋势。这些图表有助于分析模型性能，其中results.png的曲线变化趋势特别重要，可用于评估训练效果和优化方向。文章详细说明了如何解读这些可视化结果，为模型调优和论文撰写提供参考。

本文介绍了YOLO系列代码的统一环境配置流程。首先需要准备Pycharm和miniconda，然后配置清华镜像加速依赖下载。接着创建名为yoloyolo的Python 3.10虚拟环境，并安装适合不同硬件配置的PyTorch版本（GPU或CPU）。安装完成后测试GPU可用性，再通过project.toml文件安装其他依赖库。最后在Pycharm中配置虚拟环境并运行测试脚本验证安装结果。文章还提供了YOLO算法原理学习和模型指标解读的相关资源链接，帮助用户进一步了解和使用YOLO系列模型。

本文介绍了在树莓派上运行YOLO模型的完整教程。作者详细展示了硬件准备（树莓派4B 8GB、CSI摄像头等）、系统烧录过程（推荐使用Raspberry Pi OS 64位系统），并提供了邮箱SMTP服务配置方法。教程包含图形化界面开发，可实现图片/视频检测功能，特别适合在低功耗环境下部署AI应用。文章还对比了树莓派ARM架构与x86架构的差异，强调了在嵌入式设备上运行AI模型的重要性。配套视频和资源链接可帮助读者复现整个项目。

花卉识别-基于tensorflow2.3实现花卉识别是卷积神经网络的入门案例，这里我将模型的训练、测试、保存以及使用整合在了一起，原理部分等我空闲之后再进行添加。git地址：https://github.com/cmFighting/Flower_tf2.3加群获取更多信息：花卉识别-基于tensorflow2.3实现手写字体识别是卷积神经网络的入门案例，这里我将模型的训练、测试、保存以及使用整合在了一起，至于原理部分，大家可以参考知乎或者B站上的回答，在这里我就不赘述了文件目录# 数据

基于tensorflow2.3开发的水果蔬菜识别系统tensorflow是由google出品的深度学习框架，2.x版本的tensorflow对代码进行了重构，使用起来更加简洁方便。本系统使用tensorflow训练了一个两层卷积两层池化的卷积神经网络和一个基于迁移学习的mobilnet网络，其中mobilenet网络模型准确率高达97%，可识别[‘土豆’, ‘圣女果’, ‘大白菜’, ‘大葱’, ‘梨’, ‘胡萝卜’, ‘芒果’, ‘苹果’, ‘西红柿’, ‘韭菜’, ‘香蕉’, ‘黄瓜’]12种水果蔬菜

配合视频一起食用这篇教程效果更佳：课设题目没想好？手把手教你用tensorflow2构建果蔬识别系统tensorflow2.x版本对小白非常友好，2.x的api中对keras进行了合并，大家只需要安装tensorflow就可以使用里面封装好的keras，利用keras可以快速地加载数据集和构建模型，下面我们直接来看以下通过tensorflow2.3训练自己的分类数据集吧。注：本文主要针对图片形式的数据集构建分类模型，文本数据、目标检测等任务暂不涉及。本文使用到的代码已在码云上开源，请大家自行下载，st

B站视频：等待更新（b站：dejahu）代码地址：trash_classification_tf2.3: 基于tensorflow2.3的垃圾分类系统 (gitee.com)模型和数据集地址：垃圾分类数据集和tf代码-8w张图片245个类.zip-深度学习文档类资源-CSDN下载大家有什么想法也可以在评论区留言，我会根据留言情况出对应的教程。哈喽，大家好，这里是dejahu，本期教程给大家带来的是基于tensorflow2.3的垃圾分类系统，主要还是为了教会大家如何使用我写好的物体分类模板代码去.

手把手教你使用YOLOV5训练自己的目标检测模型大家好，这里是肆十二（dejahu），好几个月没有更新了，这两天看了一下关注量，突然多了1k多个朋友关注，想必都是大作业系列教程来的小伙伴。既然有这么多朋友关注这个大作业系列，并且也差不多到了毕设开题和大作业提交的时间了，那我直接就是一波更新。这期的内容相对于上期的果蔬分类和垃圾识别无论是在内容还是新意上我们都进行了船新的升级，我们这次要使用YOLOV5来训练一个口罩检测模型，比较契合当下的疫情，并且目标检测涉及到的知识点也比较多，这次的内容除了可以作为大家

最近又多了不少朋友关注，先在这里谢谢大家。今天我们来python实现一个人脸识别系统，主要是借助了dlib这个库，相当于我们直接调用现成的库来进行人脸识别，就省去了之前教程中的数据收集和模型训练的步骤了。

兄弟们好呀，这里是肆十二，这转眼间寒假就要过完了，相信大家的毕设也要准备动手了吧，作为一名大作业区的UP主，也该蹭波热度了，之前关于图像分类和目标检测我们都出了相应的教程，所以这期内容我们搞波新的，我们用Unet来做医学图像分割。我们将会以皮肤病的数据作为示范，训练一个皮肤病分割的模型出来，用户输入图像，模型可以自动分割去皮肤病的区域和正常的区域。B站讲解视频：CSDN博客：代码地址：unet_42: 基于Unet的医学影像分割系统 (gitee.com)处理好的数据集和训练好的模型：更多相关的

我们之前做过一期基于Yolov5的口罩检测系统（），里面的代码是基于YOLOV5 6.0开发的，并且是适用其他数据集的，只需要修改数据集之后重新训练即可，非常方便，但是有些好兄弟是初学者，可能不太了解数据的处理，所以我们就这期视频做个衍生系列，主要是希望通过这些系列来教会大家如何训练和使用自己的数据集。本期我们带来的内容是基于YOLOV5的火灾检测系统，火灾检测系统还是比较有实际意义的，也方便大家在背景描述中展开。废话不多说，还是先看效果。

我们之前做过一期基于Yolov5的口罩检测系统（手把手教你使用YOLOV5训练自己的目标检测模型-口罩检测-视频教程_dejahu的博客-CSDN博客），里面的代码是基于YOLOV5 6.0开发的，并且是适用其他数据集的，只需要修改数据集之后重新训练即可，非常方便，但是有些好兄弟是初学者，可能不太了解数据的处理，所以我们就这期视频做个衍生系列，主要是希望通过这些系列来教会大家如何训练和使用自己的数据集。本期我们带来的内容是基于YOLOV5的手势识别系统，我们将会训练得到能识别10种常用手势的模型，废话不多

2023年全新Pytorch分类教程，支持数据搜集、多种模型训练测试、模型参数和网络结构查看以及全新的图形化界面，快去学习吧！

绝缘子作为输电环节中的重要设备，在支撑固定导线，保障绝缘距离的方面有着重要作用。深度学习技术的大量应用，计算机运算性能的不断提高，为无人机准确识别和定位绝缘子，实时跟踪拍摄开辟了新的解决途径。本文对输电线路中绝缘子进行识别及定位，利用深度学习技术采取基于YOLOv5 算法的目标检测手段，结合绝缘子数据集的特点，对无人机拍摄图片进行训练，实现对绝缘子精准识别和定位，大幅提升无人机巡检时对绝缘子设备准确跟踪、判定的效率，具有十分重要的应用效果。

交通标志的目标检测算法在计算机视觉领域一直属于热点研究问题，改进的优化算法不断地被提出。我们以[CCTSDB](https://github.com/csust7zhangjm/CCTSDB)数据集为例，用YOLOV5算法做交通标志识别。中国交通标志检测数据集(CCTSDB，Chinese Traffic Sign Detection Benchmark)由长沙理工大学 综合交通运输大数据智能处理湖南省重点实验室张建明老师团队制作完成。 目前的标注数据只有三大类：指示标志、禁止标志、警告标志。

小麦是世界上种植地域最广、面积最大及产量最多的粮食作物,2021年世界小麦使用量达到7.54亿吨。小麦产量的及时预估对作物生产、粮食价格及粮食安全产生重大影响,单位面积穗数是小麦产量预估研究中的难点及重中之重。当前,人工估产方法依据专家目测估计产量,准确率得不到保证。取样估产方法通过采集部分区域,进行人工计数、称重,费时费力。随着计算机视觉技术的发展,大量研究致力于统计单幅图像中麦穗数进而实现估产,此类研究利用卷积神经网络强大的特征自学习能力,对麦穗进行特征提取,通过大量数据训练模型,进而成功实现对图像中麦

Hi，这里是肆十二，今天我们来继续医学方向的毕设更新，今天选用的题材是基于Unet的眼底血管图像分割，废话不多说，我们直接开始！

原始的论文放置在DOCS目录下，其中unet++.pdf的文件是该网络结构的原始论文。本文介绍了一种新的医学图像分割架构——UNet++，它是一种深度监督的编码器-解码器网络，通过一系列嵌套的密集跳跃连接将编码器和解码器子网连接起来。UNet++的设计目标是减少编码器和解码器子网特征图之间的语义差距，使得优化器在面对语义相似的特征图时，学习任务变得更加简单。

实时物体检测旨在以较低的延迟准确预测图像中的物体类别和位置。YOLO 系列在性能和效率之间取得了平衡，因此一直处于这项研究的前沿。然而，对 NMS 的依赖和架构上的低效阻碍了最佳性能的实现。YOLOv10 通过为无 NMS 训练引入一致的双重分配和以效率-准确性为导向的整体模型设计策略，解决了这些问题。

摘要的部分：作者探讨了图像转换问题，即如何将输入图像转换成输出图像。以往的方法通常训练前馈卷积神经网络，使用逐像素损失函数来衡量输出图像和真实图像之间的差异。但是，这些方法并没有捕捉到图像之间的感知差异。与此同时，也有研究通过定义和优化基于预训练网络提取的高级特征的感知损失函数来生成高质量图像。本文结合了这两种方法的优点，提出使用感知损失函数来训练图像转换任务的前馈网络。实验结果表明，在风格迁移任务中，与基于优化的方法相比，所提出的网络在生成相似质量结果的同时，速度快了三个数量级。

Hello，大家好，本次我们来教大家使用YOLOV8训练自己的数据集。YOLO系列目前已经更新到了V10，并且YOLO系列模型已经目前稳定运行了一段时间。经过一段时间的准备，我们选择在暑期的这个时间点更新YOLOV8模型的教程，从原理、数据标注和环境配置一一展开讲解，帮助小伙伴们掌握YOLOv8的基本内容。注意本次的教程除了支持v8模型的训练，还适用v3、v5、v9、v10等一系列模型的训练。为了帮助大家能灵活选择自己喜欢的内容，我们选择分P的方式进行更新。

头盔检测是计算机视觉领域中的一个重要应用，主要用于检测图像或视频中的人是否佩戴头盔。头盔在工业生产、建筑工地、交通领域（如摩托车和自行车骑行）以及一些高危作业场景中是必不可少的防护装备。佩戴头盔可以有效保护头部，降低因意外事故导致的伤亡风险。然而，在现实生活中，很多人并未遵守佩戴头盔的规定，导致事故发生时的伤害严重程度加剧。因此，自动化的头盔检测系统可以帮助相关部门或企业监督和管理这一安全措施的执行。随着深度学习和计算机视觉技术的飞速发展，基于图像的目标检测技术得到了广泛的应用。

本文介绍了使用YOLOv8进行动物检测的方法。文章首先概述了深度学习在动物检测领域的应用背景和意义，包括提升生态保护效率、高准确性、数据积累分析等优势。随后介绍了近年来相关研究工作，涵盖野生动物分类、无人机检测、夜间检测等应用场景。重点讲解了YOLOv8算法的核心改进：全新视觉模型支持多任务、优化的骨干网络C2f结构、解耦头设计等创新点，并通过性能对比图展示了其在精度和速度上的优势。文章还提供了详细的实践指导，包括预训练模型获取、数据集标注和图形化界面使用等，方便读者快速实现动物检测应用。

视觉分割大模型SAM解析 本文深入解析了Meta公司开发的视觉分割大模型SAM(Segment Anything Model)。SAM作为计算机视觉领域的基础模型，能够通过点、框、网格点或文本等多种提示方式实现零样本分割任务。文章从原理层面剖析了SAM的三个核心组件：可提示的分割任务设计、轻量化的模型架构（包含图像编码器、提示编码器和掩码解码器）以及超大规模数据集SA-1B。与NLP领域的BERT类似，SAM通过提示工程实现强大的泛化能力，支持点、框、文本等多种交互方式，在图像分割任务中展现出卓越性能。文末

本文介绍了使用DeepLabV3和DeepLabV3+进行眼底图像视杯视盘分割的方法，用于青光眼诊断。通过空洞卷积和空间金字塔池化等技术，模型能精确分割视盘和视杯区域，计算杯盘比（CDR）作为诊断指标。实验采用ResNet18轻量化主干网络，评估指标包括mIoU和mAcc，结果显示模型能有效分割眼底图像中的关键结构。该方法为青光眼等眼病的自动化诊断提供了可靠工具，可辅助医生提高诊断效率和准确性。

本文介绍了使用YOLOV9进行PCB板缺陷检测的项目实践。主要内容包括：1）环境配置指南，提供镜像加速、虚拟环境创建和依赖库安装的详细命令；2）模型训练与测试过程，展示如何加载预训练模型、调整参数并评估结果；3）图形化界面开发，基于PySide6实现模型调用功能。项目背景阐述了PCB缺陷检测的重要性及YOLO算法的优势，包括高效性、精度提升和推动智能制造发展。相关工作部分梳理了近年来基于深度学习的PCB检测研究进展。该实践为工业质检领域提供了完整的解决方案参考。

YOLO11是Ultralytics最新发布的高性能目标检测模型，在精度和速度上均有显著提升。本文介绍了YOLO11在车辆检测、追踪和计数任务中的应用，详细解析了其网络结构，包括主干特征提取、颈部特征融合和头部任务解码三个关键组件。文章重点讲解了创新的C3k2模块设计，该模块通过自定义卷积核提升了特征多样性和处理效率。实验表明，YOLO11在保持实时性的同时，检测精度优于前代版本，是计算机视觉入门和应用的理想选择。

基于YOLO11的交通标志检测系统 本文介绍了一个基于YOLO11的交通标志检测系统，使用TT100K数据集（含42类交通标志）进行训练。系统提供了完整的训练、测试流程和图形化界面，支持图片/视频检测功能。文章详细说明了环境配置、模型训练、测试验证等步骤，并展示了检测效果图。相比YOLOv5和YOLOv8，YOLO11在保持高速推理的同时提高了检测精度。该系统可应用于自动驾驶、智能交通等领域，具有较高的实用价值。

【摘要】本项目基于YOLOv11模型开发了肺结节检测系统，针对LUNA2016数据集中的42类肺结节进行训练和测试。系统通过PySide6构建了图形化界面，支持图像和视频检测功能。项目详细介绍了环境配置、模型训练（本地与GPU服务器）、性能测试及可视化界面的实现过程。实验结果表明，该系统能有效辅助医生进行肺结节检测，提高早期肺癌筛查效率。项目还探讨了该技术在减轻医生负担、降低漏诊率方面的临床价值，为深度学习在医学影像分析中的应用提供了实践案例。