yohnyang的博客

同时，YOLO也使用一个IOU阈值（如ignore_thresh，通常设为0.5-0.7）来处理“模棱两可”的预测框：如果一个预测框与任何真实框的IOU大于此阈值，但又不是最大那个（即它不是被选中的正样本），则忽略它——既不把它当正样本学，也不把它当负样本（背景）学。提高这个匹配阈值（如设为0.6），意味着只有预测得更准的框才被赋予学习责任，这会让模型对定位精度的要求更严格，但可能使正样本（需要学习的框）减少，训练难度增加。阈值设置过低：过滤宽松，大量预测框（包括很多错误的背景预测）会进入下一环节。

RT-DETR为实时物体检测任务提供了一个新的解决方案，一个模型的优秀不仅仅只看它的速度和精度，它出彩的设计理念让它真正被人们记住，至于算不算“YOLO终结者”，我认为看完整篇文章，你应该有自己的看法了，欢迎在评论区讨论交流哦！为了弥补这一缺点，RT-DETR进行了优化，使得其不仅继承了Transformer的优势，还能够在保持较高精度的同时，大大提高了推理速度。在传统的DETR中，解码器通常需要大量的计算来匹配物体和查询，但RT-DETR在此基础上进行了改进，通过更高效的解码机制加速了计算过程。

Windows 下打包labelimg 详细过程总结

深度学习（15）从头搭建模型到训练、预测示例总结

深度学习（14）网络模型结构及术语总结

YOLO算法改进史——已更新至YOLO11

【CVPR2024】Efficient LoFTR: 高效的 LoFTR：具有类似稀疏的速度的半密集局部特征匹配

【CVPR2021】LoFTR：基于Transformers的无探测器的局部特征匹配方法

深度学习（12）之模型训练[训练集、验证集、过拟合、欠拟合]

openvino部署yolov8 检测、分割、分类及姿态模型实例详解

yolov8+deepsort实现车辆跟踪与计数

在生成目标候选框阶段，排名top-k的左上角和右下角角点被从heatmaps中选择出来，然后，计算一对角点间的嵌入向量的距离，如果距离小于预设的阈值，就认为这两个点属于同一个物体，就会根据这两个角点生成一个bounding box，同时，根据两个角点的得分计算一个平均分数作为该bounding box的得分。然后在预测的时候，如果top-left的corner和bottom-right的corner的embedding值特别接近，比如一个是1.2另一个是1.3，那么这两个很有可能属于一个目标；

Roboflow 使用详解：数据集标注、训练 及 下载

python-easyOCR之字符识别

windows下安装虚拟环境保存在C盘之解决方案

UNet详解（附图文和代码实现）

深度学习（7）之图像抠图 Image Matting算法调研

【ICCV2022】 CAPAO：一种高效的单阶段人体姿态估计模型

深度学习（6）之卷积的几种方式：1D、2D和3D卷积的不同卷积原理（全网最全！）

【IEEE】CoEx：通过引导成本体积激励的实时立体匹配模型

【CVPR2018】PSMNet:一个基于金字塔的端到端立体匹配网络

提出了一种基于端到端轮廓的实例分割方法E2EC

一键抠图Portrait Matting人像抠图 (C++和Android源码) 目录 一键抠图Portrait Matting人像抠图 (C++和Android源码) 1. 项目介绍： 2. MODNet抠图算法： 3. Matting数据集 (1) 开源数据集 (2) 训练和测试数据说明 (3) 合成代码实现 4. Android JNI接口 5. Demo测试效果&nbsp...

目标检测综述：R-CNN、mask-RCNN、YOLO、SSD原理详解

目标检测模型综述：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD 前言 之前我所在的公司七月在线开设的深度学习等一系列课程经常会讲目标检测，包括R-CNN、Fast R-CNN、Faster R-CNN，但一直没有比较好的机会深入（但当你对目标检测有个基本的了解之后，再看这些课程你会收益很大）。但目标检测这个领域实在是太火了，经常会看到...

经典神经网络模型整理：神经网络、CNN、RNN、LSTM CNN模型汇总LeNet5 模型AlexNet 模型VGG模型Inception Net（GoogleNet）模型ResNet （残差网络） RNN模型（循环神经网络）为什么需要RNNRNN结构 LSTM（长短期记忆网络）模型GRU模型计算重置门r~t~和候选状态计算更新门z~t~和当前状态h~t~ 神经网络基础知识 本周主要对于神经网络的相关知识进行了学习，本文先整理神经网络学习中所需的一些基础知识，而..

这是毕业前找工作时总结的知识，过了一年左右时间，竟然忘的差不太多，因为最近也在看关于AI方向的知识，所以对于自身的记忆又重新有了一个新的认识，没有什么比实践更能巩固思想的，也没有什么比时间更能冲淡回忆的，时间永远是记忆最永恒的敌人记录常用的机器学习算法原理，后边也有一些较为流行的神经网络方面的内容，放到文章里，不时复习研究...

以目标跟踪阐述深度学习相关模型原理及特征提取方式详解跟踪方法分类2.特征表达2.1传统特征表达主要包括HOG、LBP、Harr-like、SIFT和颜色统计1.HOG:图像局部区域梯度加权直方图，一般针对灰度图像，对背景光照变化和目标微量性形变具有不变性2.LBP：局部二值化3.Haar-like：基于哈尔小波变换所设计，采用积分图进行快速运算，早期常用于进行人脸特征提取4.SIFT特征：它是一种多尺度的、基于梯度方向特征的特征点提取方法，是传统特征的集大成者，对旋转、尺度变化、光