- 博客(1198)
- 资源 (3)
- 收藏
- 关注
RSS订阅
原创 YOLO有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
大家好！欢迎阅读本专栏。本专栏涵盖了C2f、主干网络、检测头、注意力机制、Neck等多种结构的创新，同时也包括了 YOLO相关的基础知识以及相关项目。
2024-05-06 10:20:34
4526
1
原创 【全网首发】2024华为 OD 机试 D卷&C卷抽中题库清单（全真题库）含考点说明
重要：2024年5月份开始，考的都是OD统一考试（D卷），题库已经整理好了，基本都会抽到原题。据参加D卷考试的同学反映，目前D卷题目跟C卷是一样的，发现新题会及时跟新。祝大家考试顺利。全网最全题库，400+题目。订阅专栏后，专栏内所有的文章都可以看，以后再更新新的题目也可以看，每年更新的题目都会更新到一个专栏里面。
2023-12-06 09:15:58
51703
原创 【YOLOv8改进】HAT(Hybrid Attention Transformer,)混合注意力机制 (论文笔记+引入代码)
基于Transformer的方法在低级视觉任务中表现出色，例如图像超分辨率。然而，通过归因分析，我们发现这些网络只能利用输入信息的有限空间范围。这表明Transformer在现有网络中的潜力尚未完全发挥。为了激活更多的输入像素以获得更好的重建效果，我们提出了一种新颖的混合注意力Transformer（Hybrid Attention Transformer, HAT）。它结合了通道注意力和基于窗口的自注意力机制，从而利用了它们能够利用全局统计信息和强大的局部拟合能力的互补优势。此外，为了更好地聚合跨窗口信息
2024-05-23 11:15:50
1
原创 新手小白快速看懂yolov8模型训练结果图表，通过mAP、Precision、Recall等评价性能
新手小白快速看懂yolov8模型训练结果图表，通过mAP、Precision、Recall等评价性能：confusion_matrix.png、confusion_matrix_normalized.png、F1_curve.png、labels.jpglabels_correlogram.jpg、P_curve.png、PR_curve.png、R_curve.png、results.png
2024-05-22 22:54:24
1
原创 【YOLOv8改进】STA(Super Token Attention) 超级令牌注意力机制 (论文笔记+引入代码)
视觉Transformer在许多视觉任务上展示了卓越的性能。然而，它在浅层捕获局部特征时可能会面临高度冗余的问题。因此，使用了局部自注意力或早期阶段的卷积来减少这种冗余，但这牺牲了捕获长距离依赖的能力。一个挑战随之而来：在神经网络的早期阶段，我们是否能高效且有效地进行全局上下文建模？为解决这一问题，我们从超像素的设计中获得启示，这种设计通过减少图像基元的数量来简化后续处理，并在视觉Transformer中引入了超级令牌。
2024-05-22 11:14:12
126
原创 【YOLOv8改进】Non-Local：基于非局部均值去噪滤波的自注意力模型 (论文笔记+引入代码)
卷积和循环神经网络中的操作都是一次处理一个局部邻域，在这篇文章中，作者提出了一个非局部的操作来作为捕获远程依赖的通用模块。受计算机视觉中经典的非局部均值方法启发，我们的非局部操作计算某一位置的响应为所有位置特征的加权和。而且，这个模块可以插入到许多计算机视觉网络架构中去。
2024-05-21 23:44:35
88
原创 混淆矩阵与多分类混淆矩阵概念详解及其应用求 Precision F1-Score Recall
混淆矩阵，顾名思义，是一个由数字组成的矩阵，它告诉我们模型在哪些地方会出现混淆。它是分类模型预测性能的类别分布，也就是说，混淆矩阵是将预测结果映射到数据所属原始类别的一种有组织的方式。这也意味着，只有在已知输出分布的情况下，即在监督学习框架中，才能使用混淆矩阵。混淆矩阵不仅可以计算分类器的准确度（无论是全局准确度还是分类准确度），还有助于计算开发人员通常用来评估模型的其他重要指标。
2024-05-21 22:32:04
7
原创 20 个 Pandas 函数，用于 80% 的数据科学任务
Pandas 是一个广受欢迎的 Python 数据分析库，它提供了高性能、易用的数据结构和数据分析工具。特别是对于处理和分析输入数据表格，Pandas 是非常有用的。这个库主要用于数据清洗和准备，它可以极大地简化数据预处理、分析和可视化的过程。
2024-05-18 23:43:49
10
原创 手把手教你搭建YOLOV8+CUDA环境，训练自定义数据集，训练推理验证导出。小白也能看得懂的！
YOLO（You Only Look Once）系列算法因其高效、准确等特点而备受瞩目。由2023年Ultralytics公司发布了YOLO的最新版本YOLOv8是结合前几代YOLO的基础上的一个融合改进版。本文主要介绍YOLOv8环境搭建/数据集获取/训练/推理/验证/导出/部署
2024-05-18 18:56:00
667
1
原创 万字长文精解目标检测中的TP、FP、FN、TN、Precision、Recall 、 F1 Score、AP、mAP与AR 。附代码实现。
mAP（Mean Average Precision）是用于评估对象检测和信息检索系统性能的重要指标。它综合考虑了检测结果的精确度（Precision）和召回率（Recall），提供了一个整体的性能评价。你是否见过下面的表格？这是COCO版本的mAP（即平均精度，他们简称之为AP）。但这个指标到底代表什么呢？这些符号又都代表什么含义呢？在本文中，我们将详细讲解所有必要的理论知识，不仅帮助你解读表格中的数据，还能让你理解采用这种复杂指标的必要性。
2024-05-16 16:41:28
2919
1
原创 华为OD机试统一考试D卷C卷 - 智能驾驶（C++ Java JavaScript Python C语言）
有一辆汽车需要从 m * n 的地图左上角（起点）开往地图的右下角（终点），去往每一个地区都需要消耗一定的油量，加油站可进行加油。后面一个 M * N 的矩阵，其中的值是 0 或 -1 或正整数，加油站的总数不超过 200 个。行走的路线为：下→下→下→右→右→上→上→上→右→右→下→下→下。请你计算汽车确保从从起点到达终点时所需的最少初始油量。第一行为两个数字，M，N，表示地图的大小为 M * N。如果汽车可以到达终点，则返回最少的初始油量。行走的路线为：右→右→下→下→下→右。行走的路线为：右→下。
2024-05-13 15:01:41
33
原创 华为OD机试统一考试D卷C卷 - 跳格子3（C++ Java JavaScript Python C语言）
因为 ( k ) 可能非常大，直接计算每个 ( dp[i] ) 需要 ( O(k) ) 的时间复杂度，总的时间复杂度是 ( O(nk) )，这可能非常耗时。为了优化这一过程，我们使用一个双端队列来维护 ( dp ) 值的索引，并且保持队列中的 ( dp ) 值是单调递减的，这样队列的首元素始终是最大值。在给定的跳格子游戏中，我们使用动态规划方法来计算每个格子可能达到的最大得分。从起点score[0]开始，每次最大的步长为k，请你返回小明跳到终点 score[n-1] 时，能得到的最大得分。
2024-05-13 15:00:47
19
原创 uniapp 发布前隐私条款、用户协议等配置
1隐私类型1、android隐私与政策提示框2、网页版隐私条款(android/ios都会用到)3、app内部隐私条款一、android隐私与政策提示框从HBuilderX3.2.1+版本开始新增androidPrivacy.json文件配置隐私政策提示框，支持真机运行查看效果，在androidPrivacy.json中也支持配置部分样式（如背景颜色、标题颜色、按钮颜色等）。
2024-04-30 16:56:40
227
原创 YOLOv9教程：如何在自定义数据上进行YOLOv9的分割训练
在快速发展的计算机视觉领域，对象分割在从图像中提取有意义的信息方面发挥着关键作用。在众多分割算法中，YOLOv9 已成为一种强大且适应性强的解决方案，提供高效的分割功能和卓越的准确性在这篇文章中，我们将深入探讨 YOLOv9 在自定义数据集上进行对象分割的训练过程，并对测试数据进行推理。
2024-04-28 17:12:10
62
原创 2024华为OD机试即将切换D卷，该如何刷题备考？
按照2023年的节奏，正常是在5月份开始切换考卷，没想到2024年华为OD竟然提前切换到D卷了~~ 面对这些情况，该如何刷题呢？？？
2024-04-14 10:09:17
664
原创 YOLOv8.yaml文件详解
yolov8.yaml可在此链接下载 : https://github.com/ultralytics/ultralytics/tree/main/ultralytics/cfg/models/v8nc：数据集类别数scales：不同尺寸的模型大小Backbone 骨干[from， repeats， module， args]#from：来源，也就是输入。 -1代表将上层得输入作为本层的输出repeats：重复次数module：名称args：参数第0层：[-1， 1， Conv， [64， 3，
2024-04-11 22:42:25
114
原创 图解YOLOV8基础概念详解
YOLO （You Only Look Once）是由 Joseph Redmon等人于2015年推出YOLOv1，因其的即时性和准确性获得了广泛的关注，YOLOv8与YOLOv5为同一个作者，且YOLOv8是由YOLOv5改进的，因此我们先来回顾一下YOLOv5。
2024-04-11 21:57:25
99
原创 【YOLOv8改进】Explicit Visual Center: 中心化特征金字塔模块(论文笔记+引入代码)
摘要 - 视觉特征金字塔在各种应用中展示了其在效率和有效性上的优势。然而，现有方法过分集中于层间特征交互，却忽略了同层特征调控，这在实践中被证明是有益的。尽管一些方法尝试借助注意力机制或视觉变换器（Vision Transformer）学习一个紧凑的同层特征表示，但它们忽略了对于密集预测任务而言重要的被遗漏的角落区域。为了解决这个问题，在本文中，我们提出了一个用于目标检测的集中化特征金字塔（CFP），它基于全局显式的集中特征调控。
2024-04-11 17:09:15
85
原创 【YOLOv8改进】LSKNet(Large Selective Kernel Network ):空间选择注意力 (论文笔记+引入代码)
近期在遥感目标检测的研究中，主要集中于提高定向边界框的表示能力，但却忽略了遥感场景中独有的先验知识。这类先验知识是有用的，因为在没有参考足够长范围上下文的情况下，微小的遥感目标可能会被错误地检测到，而不同类型的对象所需的长范围上下文可能会有所不同。在本文中，我们考虑到了这些先验，并提出了大型选择性核网络（LSKNet）。LSKNet能够动态调整其大的空间接收场，以更好地模拟遥感场景中各种对象的范围上下文。据我们所知，这是首次在遥感目标检测领域探索大型和选择性核机制。
2024-04-10 22:41:37
130
原创 【YOLOv8改进】Polarized Self-Attention: 极化自注意力 (论文笔记+引入代码)
像素级回归可能是细粒度计算机视觉任务中最常见的问题，例如估计关键点热图和分割掩模。这些回归问题非常具有挑战性，特别是因为它们需要在低计算开销下对高分辨率输入/输出建模长距离依赖关系，以估计高度非线性的像素级语义。尽管深度卷积神经网络（DCNNs）中的注意机制已经流行起来，用于增强长距离依赖关系，但是元素特定的注意力，例如非局部块，学习起来非常复杂且对噪声敏感，而大多数简化的注意力混合体试图在多种任务类型之间达到最佳折衷。
2024-04-07 21:33:25
136
原创 基于原生Python实现决策树(Decision Tree)
决策树是一种基本的分类与回归方法，它模拟了人类决策过程中的决策树状结构，以树状图的形式对数据进行分类或回归。决策树由节点（node）和边（edge）组成，主要包括根节点（root node）、内部节点（internal nodes）和叶节点（leaf nodes）。# 初始化决策节点self.feature_index = feature_index # 特征索引self.threshold = threshold # 分割阈值self.left_child = left_child # 左子节点。
2024-04-07 14:34:39
47
原创 【YOLOv8改进】MSBlock : 分层特征融合策略 (论文笔记+引入代码)
我们旨在为目标检测领域提供一种高效且性能卓越的目标检测器，称为YOLO-MS。其核心设计基于一系列调查研究，关于不同核心大小的卷积如何影响不同尺度物体的检测性能。研究结果是一种新策略，能够显著增强实时目标检测器的多尺度特征表示能力。为验证我们策略的有效性，我们构建了一个网络架构，命名为YOLO-MS。我们从零开始在MS COCO数据集上训练我们的YOLO-MS，不依赖于任何其他大规模数据集，如ImageNet，或预训练权重。
2024-03-26 10:59:46
191
1
原创 【YOLOv8改进】MobileViT 更换主干网络： 轻量级、通用且适合移动设备的视觉变压器 (论文笔记+引入代码)
轻量级卷积神经网络（CNNs）已成为移动视觉任务的事实标准。它们的空间归纳偏差使它们能够跨不同视觉任务学习具有更少参数的表示。然而，这些网络在空间上是局部的。为了学习全局表示，基于自注意力的视觉Transformer（ViTs）已被采纳。与CNNs不同，ViTs是重量级的。在本文中，我们提出以下问题：是否可能结合CNNs和ViTs的优势构建一个轻量级且低延迟的网络用于移动视觉任务？为此，我们介绍了MobileViT，一个面向移动设备的轻量级通用视觉Transformer。
2024-03-23 10:36:37
362
原创 【YOLOv8改进】MobileNetV3替换Backbone (论文笔记+引入代码)
文章介绍了基于互补搜索技术组合以及新颖架构设计的MobileNets下一代，MobileNetV3。通过结合硬件感知的网络架构搜索（NAS）和NetAdapt算法，MobileNetV3针对手机CPU进行了优化，随后通过新颖的架构进步得到了改进。本文开始探索自动化搜索算法和网络设计如何共同作用，以利用互补方法提升整体艺术状态。通过这一过程，我们创建了两个新的MobileNet模型以供发布：面向高资源和低资源使用案例的MobileNetV3-Large和MobileNetV3-Small。
2024-03-20 22:53:53
531
原创 【YOLOv8改进】CoordAttention： 用于移动端的高效坐标注意力机制 (论文笔记+引入代码).md
近期的移动网络设计研究显示，通道注意力（例如，压缩-激励注意力）在提升模型性能方面具有显著效果，但它们通常忽略了位置信息，而这对于生成空间选择性的注意力图是非常重要的。在本文中，我们通过将位置信息嵌入到通道注意力中，提出了一种用于移动网络的新型注意力机制，我们称之为“坐标注意力”。与通过2D全局池化将特征张量转换为单个特征向量的通道注意力不同，坐标注意力将通道注意力分解为沿两个空间方向分别聚合特征的两个1D特征编码过程。通过这种方式，可以沿一个空间方向捕获长距离依赖，同时沿另一个空间方向保留精确的位置信息。
2024-03-18 22:29:58
790
1
原创 如何使用 YOLOv9 进行对象检测
YOLOv9 引入了可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 等开创性技术，标志着实时目标检测领域的重大进步。该模型在效率、准确性和适应性方面都有显著提高，
2024-03-16 09:56:50
313
原创 【华为OD机考 统一考试机试C卷】小朋友分组最少调整次数（ C语言）
n (3≤n≤90000 且可以整除 3 )个学生排成一排，学生编号分别是 1 到 n，n 为 3 的整倍数，老师随机抽签决定将所有学生分成 m 个 3 人的小组（n == 3 * m） 。
2024-03-15 17:10:06
208
原创 【华为OD机考 统一考试机试C卷】抢7游戏（ C语言）
A、B两个人玩抢7游戏，游戏规则为：A先报一个起始数字 X（10 ≤ 起始数字 ≤ 10000），B报下一个数字 Y （X - Y < 3），A再报一个数字 Z（Y - Z < 3），以此类推，直到其中一个抢到7，抢到7即为胜者；在B赢得比赛的情况下，一共有多少种组合？
2024-03-15 17:09:15
136
原创 【华为OD机考 统一考试机试C卷】推荐多样性（C++ Java JavaScript Python C语言）
在选择和分配过程中，代码确保了元素的选择是穿插进行的，每个列表中的元素被均匀分配，且保持了元素的原始顺序。具体来说，需要从多个输入列表中选择元素，将这些元素分配到指定数量的窗口中，每个窗口展示固定数量的元素。：元素的选择需要按照列表的顺序依次进行，即先从第一个列表中选择元素填充到每个窗口中，然后是第二个列表，以此类推。输出的元素列表是通过将所有窗口的元素合并成一个列表来实现的，且需要按照窗口的顺序进行合并。先输出窗口1的元素列表，再输出窗口2的元素列表，再输出窗口3的元素列表，最后输出窗口4的元素列表。
2024-03-15 17:08:05
62
原创 【华为OD机考 统一考试机试C卷】可以处理的最大任务数（ C语言）
在某个项目中有多个任务(用tasks数组表示)需要您进行处理，其中tasks[i]=[si,ei],你可以在si
2024-03-15 17:05:32
74
原创 【华为OD机考 统一考试机试C卷】最大社交距离（ C语言）
疫情期间需要大家保证一定的社交距离，公司组织开交流会议。座位一排共 N 个座位，编号分别为[0,N-1],
2024-03-15 17:04:16
42
原创 【华为OD机考 统一考试机试C卷】矩阵匹配（C++ Java JavaScript Python C语言）
从一个 N * M（N ≤ M）的矩阵中选出 N 个数，任意两个数字不能在同一行或同一列，求选出来的 N 个数中第 K 大的数字的最小值是多少。N*M 的矩阵中可以选出 M!种组合数组，每个组合数组种第 K 大的数中的最小值。N*M的矩阵中可以选出 M！种组合数组，每个组合数组种第 K 大的数中的最小值；上述输入样例中选出的组合数组有24种，最小数组为1,3,3，则第2大的最小值为3。输入矩阵要求：1 ≤ K ≤ N ≤ M ≤ 150。注意：结果是第 K 大的数字的最小值。
2024-03-15 17:03:10
42
原创 【华为OD机考 统一考试机试C卷】篮球游戏（ C语言）
如老师按顺序放入1、2、3、4、5 共有 5 个编号的篮球，那么小朋友可以依次取出编号为1、2、3、4、5 或者 3、1、2、4、5 编号的篮球，无法取出 5、1、3、2、4 编号的篮球。每个篮球有单独的编号，老师可以连续放入一个或多个篮球，小朋友可以在桶左边或右边将篮球取出，当桶只有一个篮球的情况下，必须从左边取出。幼儿园里有一个放倒的圆桶，它是一个线性结构，允许在桶的右边将篮球放入，可以在桶的左边和右边将篮球取出。篮球的取出顺序依次为“右、左、右、右、右、左、左”使用队列来模拟篮球的放入和取出过程。
2024-03-15 17:02:10
38
原创 【华为OD机考 统一考试机试C卷】最长子字符串的长度(二)（C++ Java JavaScript Python C语言）
最长子字符串是 “oxdolxl”，由于是首尾连接在一起的，所以最后一个 ‘x’ 和开头的 'l’是连接在一起的，此字符串包含 2 个 ‘l’ ，2个 ‘o’ ，2个 ‘x’。给你一个字符串 s，字符串s首尾相连成一个环形 ，请你在环中找出’l’、‘o’、‘x’ 字符都恰好出现了偶数次最长子字符串的长度。说明：最长子字符串之一是 “alolob”，它包含 ‘l’，'o’各 2 个，以及 0 个 ‘x’。字符串 “bcbcbc” 本身就是最长的，因为 ‘l’、‘o’、‘x’ 都出现了 0 次。
2024-03-15 17:00:55
74
原创 【华为OD机考 统一考试机试C卷】查找一个有向网络的头节点和尾节点（ C语言）
给定一个有向图，图中可能包含有环，图使用二维矩阵表示，每一行的第一列表示起始节点，第二列表示终止节点，如 [0, 1] 表示从 0 到 1 的路径。每个节点用正整数表示。求这个数据的首节点与尾节点，题目给的用例会是一个首节点，但可能存在多个尾节点。同时图中可能含有环。如果图中含有环，返回 [-1]。说明：入度为0是首节点，出度为0是尾节点。第一行为后续输入的键值对数量N（
2024-03-15 17:00:05
38
原创 【华为OD机考 统一考试机试C卷】中文分词模拟器（ C语言）
在这个例子中，输入的句子是 “ilovechina,thewordisbeautiful”，字典中的单词是 “i”, “love”, “china”, “ch”, “na”, “ve”, “lo”, “this”, “is”, “the”, “word”, “beauti”, “tiful”, “ful”。词库：根据外部知识库统计出来的常用词汇例：dictionary = [“i”, “love”, “china”, “lovechina”, “ilove”]首先，将字典中的每个单词插入到 Trie 中。
2024-03-15 16:59:03
48
原创 【华为OD机考 统一考试机试C卷】攀登者2（ C语言）
例如上图中的数组，有3个不同的山峰，登上位置在3的山可以从位置0或者位置6开始，从位置0登到山顶需要消耗体力 1 * 2 + 1 * 2 + 2 * 2 = 8，从山顶返回到地面0需要消耗体力 2 * 1 + 1 * 1 + 1 * 1 = 4 的体力，按照登山路线 0 → 3 → 0 需要消耗体力12。例如：[0,1,2,4,3,1,0,0,1,2,3,1,2,1,0]，代表如下图所示的地图，地图中有两个山脉位置分别为 1,2,3,4,5 和 8,9,10,11,12,13，最高峰高度分别为 4,3。
2024-03-15 16:57:41
50
原创 【华为OD机考 统一考试机试C卷】文件缓存系统（ C语言）
与之相对的是LRU（最近最少使用）缓存，后者基于时间顺序（最近使用的）移除元素。具体的删除规则为：文件访问过后，会更新文件的最近访问时间和总的访问次数，当缓存不够时，按照第一优先顺序为访问次数从少到多，第二顺序为时间从老到新的方式来删除文件。当缓存空间不足以存放新的文件时，根据规则删除文件，直到剩余空间满足新的文件大小位置，再存放新文件。读取文件是从文件缓存系统中访问已存在，如果文件不存在，则不作任何操作。，该文件缓存系统可以指定缓存的最大值（单位为字节）。存储文件是把文件放入文件缓存系统中；
2024-03-15 16:56:38
29
MCA: Multidimensional collaborative attention in deep convolutio
2024-02-21
泰坦尼克号幸存者数据集
2023-12-17
K最近邻（K-Nearest Neighbors，KNN） 最佳指南以及代码实战数据集- 糖尿病
2023-09-17
《混淆矩阵 最佳指南以及代码实战》 心脏数据集
2023-09-06
文章《【零基础学机器学习 10】随机森林算法最佳指南以及代码实战》 - 数据集
2023-07-24
asp.net通讯录管理系统课程设计
2023-02-26
企业网站模板、html模板网站
2022-11-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人