qiantianye的博客

随着YOLOv11版本的发布，YOLO算法在视觉检测领域独领风骚，本系列旨在从小白出发，给大家讲解清楚视觉检测算法的前世今生，并讲清楚YOLOv11版本算法的所有模块功能！在YOLO（You Only Look Once）系列算法的演进中，YOLOv1作为开山之作，奠定了实时目标检测的基础框架。但是YOLOv1仍然存在诸多缺陷，且同期的其他检测算法也在蒸蒸日上抢夺最强检测算法的宝座，本文从YOLOv1的缺陷出发，详解YOLOv2的原理和改进措施。

从YOLOv1直接预测检测框坐标到Fast R-CNN引入锚框，目标检测算法在精度和泛化能力上取得了显著进步。锚框的引入不仅解决了YOLOv1在边界框预测上的局限性，也为后续的目标检测算法（如YOLOv2及以后版本）提供了重要的启示。在YOLOv2及后续版本中，锚框的概念得到了进一步的优化和应用，使得YOLO系列算法在保持实时性的同时，不断提升检测精度和泛化能力。

过拟合（Overfitting）是机器学习中的一个常见问题，指的是模型在训练数据上表现得过于出色，以至于它开始捕捉并学习训练数据中的噪声和随机波动，而不是学习数据的潜在规律或模式。这种情况发生时，模型在训练集上的性能（如准确率、召回率等指标）通常非常高，但在未见过的数据（如测试集或实际应用中的数据）上的性能却显著下降。过拟合的模型往往过于复杂，它们包含了大量的参数和细节，这些参数和细节对于训练数据是有效的，但对于新的、类似的数据则不再有效。

在神经网络中，每个神经元都会接收来自前一层神经元的输入信号，这些输入信号经过加权和求和后，需要通过激活函数进行处理。激活函数的作用是决定神经元是否应该被激活，从而影响输出值。简单来说，激活函数决定了一个神经元对其输入信号的反应程度。激活函数是神经网络中不可或缺的组成部分，它们让网络能够学习复杂的非线性关系。不同的激活函数具有不同的特点，适用于不同的任务和数据集。在实际应用中，ReLU 和其变种（如 Leaky ReLU）因其简单高效而成为深度学习中最常用的激活函数。

经过前面几个栏目的学习与掌握，我们已经具备理解和掌握YOLOv1的基本能力。今天，我们来精讲YOLOv1的原理！网络结构、算法流程、损失函数详解！

在神经网络中，每个神经元通常被设计为独立的特征检测器。然而，在实际训练过程中，可能会出现两个或多个神经元开始检测相同或高度相似的特征。这种现象被称为共适应性（coadaptation）。共适应性意味着神经网络并没有充分利用其全部的计算资源，而是浪费资源来计算激活冗余的神经元。用人话说就是有神经元是完全没用的东西，因为和其他神经元高度相似。

在我们实际讲解BN层操作之前，我们需要对BatchSize进行一个说明，BatchSize就是模型在单次训练的时候同时训练的图片数量，batchsize = 2 意味着单次训练2张图片，就这么简单。BacthSize主要是为了加速模型拟合、减少模型过拟合、缓解loss跳变引入的。并非本文重点，我们下篇再详解此部分。

从新手出发，进行大模型应用开发入门。适合新手小白的大模型学习之路！

每过一层，神经网络就会对数据进行进一步的抽象，神经网络的深度越深，网络就能对数据的更深层特征进行提取和识别。但是有一个关键的现象是，每一次的抽象都不可避免的会损失数据，无论是卷积、池化都一样，这就导致了这个深层特征是存在上限的，进行过多层级的特征提取，提取的特征可能会过于抽象以至于毫无意义。此外，多增加的一个Conv层大大提高了模型的拟合速度，因为不管怎么说，好歹是做了一次特征提取的操作。博主想要表达的是，仅仅是单纯的神经网络层级过长，就足以导致模型效果的急剧下降。可惜的是，似乎并不能如此武断的下定结论。

bottleneck层最初是在ResNet网络中初次提出，通过降低计算量使得神经网络网络深度可以进一步增加。下图为瓶颈层的结构图左侧是没有瓶颈层的残差网络，对于残差网络我们放置下一篇介绍，此处不用管这个看似很NB的名称。右侧则是称为有瓶颈层的残差网络。有啥区别呢？左侧仅仅是做了一层常规的3*3卷积核的卷积层，激活之后再次通过另外一次3*3卷积核的卷积层。右侧则是通过了一层1*1的卷积层、激活之后再通过3*3的卷积层激活之后再一次通过1*1的卷积层。我为什么要复述一遍……。

卷积神经网络（CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一，在自然语言处理和图像领域中有广泛的应用。本文将详细讲解卷积神经网络的原理，并重点探讨卷积核及其有效性。

综上所述，YOLOv8相比YOLOv5在算法上进行了多项改进，这些改进使得YOLOv8在目标检测任务中表现出更高的性能和准确性。

AlphaGo是谷歌DeepMind团队开发的围棋AI，是世界上第一个打败人类围棋冠军的AI。其原理主要基于深度学习和强化学习，并结合了蒙特卡洛树搜索算法。

最近在进行开发的时候，遇到一个问题：不同的功能，对应的触发信号不同，不同的信号对应的信号范围也不同。如何在功能测试的时候测试到所有的信号呢？例如：功能A，受信号S1S2控制，S1信号值范围为[0,4]S2值范围为[0,255]功能B，受信号S3控制，S3信号值范围为[0,4]功能C，受信号S1……Sn控制，S1信号值范围为[0,4]……Sn值范围为[0,n]

在进行识别模型训练的时候，往往后期在实际运行中发现一些类别图像识别不佳的情况，此时需要做数据的重新收集与标注。那么此时的训练策略是什么呢？因为若是把数据集整合起来统一训练，就会导致其他没有问题的类别在多次重复训练中发生过拟合现象，而且对于需要更多训练的类别也会因为loss太低而得不到好的训练效果。经常出现这个类别修好，别的类别又出现效果不佳的现象。

EasyOCR——超强超便捷的OCR开源算法介绍与文本检测模型CRAFT微调方法

最近在开发实践中，需要用到YOLO强大的图片检测能力，然而总是会遇到一些待检测物体没有成功检测出来的情况。发现并非过拟合现象，本次的情况实际是本次的数据采集没有考虑光圈和光照条件、没有考虑多样化背景干扰。导致模型在不同光照条件下效果差异明显，在不同背景下出现误识别背景的情况。

最近在开发实践中，遇到一个问题。即：明明采用了多线程编程的方式，但是子线程总是是莫名其妙的阻塞一段时间，由此开始了大约1小时的debug……

针对Qthread中需要刷新主循环UI的场景进行设计

最近在开发实践中，接触到了需要多进程开发的场景。。对于多进程开发来说，每一个进程都占据一块独立的虚拟内存空间，想要在多进程之间交互难道只能选择管道（PIPE）、套接字（sokect）、远程过程调用（RPC）这种麻烦的东西吗？实际上在本地进行多进程开发的时候，只要本进程处于你的系统之下，你可以在自己的父进程中设定共享内存区域，使得子进程可以访问该共享内存变量。