《YOLOv5:从入门到实战》专栏介绍 & 专栏目录_yolov5书籍-程序员宅基地

技术标签: YOLO  YOLOv5:从入门到实战  机器学习  计算机视觉  目标检测  深度学习  人工智能  

YOLOv5:从入门到实战 | 目录 | 使用教程


本专栏涵盖了丰富的YOLOv5算法从入门到实战系列教程,专为学习YOLOv5的同学而设计,堪称全网最详细的教程!该专栏从YOLOv5基础知识入门到项目应用实战都提供了详细的手把手教程,欢迎大家订阅并一并探索!

 《YOLOv5:从入门到实战》专栏地址: 点击跳转


YOLOv5基础知识入门系列 

1.YOLOv5基础知识入门(1)— YOLO算法的发展历程

2.YOLOv5基础知识入门(2)— YOLOv5核心基础知识讲解 

3.YOLOv5基础知识入门(3)— 目标检测相关知识点

4.YOLOv5基础知识入门(4)— 神经网络的基本概念与原理

5.YOLOv5基础知识入门(5)— 损失函数(IoU、GIoU、DIoU、CIoU和EIoU)

6.YOLOv5基础知识入门(6)— 激活函数(Mish、Sigmoid、Tanh、ReLU、Softmax、SiLU等)

7.YOLOv5基础知识入门(7)— NMS(非极大值抑制)原理解析


YOLOv5源码中的参数超详细解析系列   

1.YOLOv5源码中的参数超详细解析(1)— 项目目录结构及文件(包括源码+网络结构图)

2.YOLOv5源码中的参数超详细解析(2)— 配置文件yolov5s.yaml(包括源码+网络结构图)

3.YOLOv5源码中的参数超详细解析(3)— 训练部分(train.py)| 模型训练调参

4.YOLOv5源码中的参数超详细解析(4)— 推理部分(detect.py)

5.YOLOv5源码中的参数超详细解析(5)— 验证部分(val.py)

6.YOLOv5源码中的参数超详细解析(6)— common.py

7.YOLOv5源码中的参数超详细解析(7)— yolo.py


YOLOv5入门实践系列

1.YOLOv5入门实践(1)— 手把手教你使用labelimg标注数据集(附安装包+使用教程)

2.YOLOv5入门实践(2)— 手把手教你使用make sense标注数据集(附工具地址+使用教程)

3.YOLOv5入门实践(3)— 手把手教你使用YOLOv5训练自己的安全帽佩戴检测模型

4.YOLOv5入门实践(4)— 基于YOLOv5s的口罩佩戴检测

5.YOLOv5入门实践(5)— 深入浅出之YOLOv5训练结果解析 


YOLOv5论文作图教程系列

1.YOLOv5论文作图教程(1)— 软件介绍及下载安装(包括软件包+下载安装详细步骤)

2.YOLOv5论文作图教程(2)— 软件界面布局和基础功能介绍

3.YOLOv5论文作图教程(3)— 关于论文作图教程系列采用线上培训的通知(终结篇)


YOLOv5算法改进系列

1.YOLOv5算法改进(1)— 如何去改进YOLOv5算法

2.YOLOv5算法改进(2)— 注意力机制介绍(SE、CBAM和CA)

3.YOLOv5算法改进(3)— 注意力机制介绍(ECA、SOCA和SimAM)

4.YOLOv5算法改进(4)— 主干网络介绍(MobileNetV3、ShuffleNetV2和GhostNet)

5.YOLOv5算法改进(5)— 主干网络介绍(EfficientNetv2、Swin Transformer和PP-LCNet)

6.YOLOv5算法改进(6)— Neck网络介绍(AFPN和BiFPN)

7.YOLOv5算法改进(7)— 添加单层注意力机制(包括代码+添加步骤+网络结构图)

8.YOLOv5算法改进(8)— 添加多层注意力机制(包括代码+添加步骤+网络结构图)

9.YOLOv5算法改进(9)— 添加SOCA注意力机制(包括代码+添加步骤+网络结构图)

10.YOLOv5算法改进(10)— 替换主干网络之PP-LCNet(包括代码+添加步骤+网络结构图)

11.YOLOv5算法改进(11)— 在C3模块中添加注意力机制(包括代码+添加步骤+网络结构图)

12.YOLOv5算法改进(12)— 如何去更换主干网络(1)(包括代码+添加步骤+网络结构图)

13.YOLOv5算法改进(13)— 如何去更换主干网络(2)(包括代码+添加步骤+网络结构图)

14.YOLOv5算法改进(14)— 如何去更换主干网络(3)(包括代码+添加步骤+网络结构图)

15.YOLOv5算法改进(15)— 如何去更换Neck网络(包括代码+添加步骤+网络结构图)

16.YOLOv5算法改进(16)— 增加小目标检测层 | 四头检测机制(包括代码+添加步骤+网络结构图)

17.YOLOv5算法改进(17)— 手把手教你去更换损失函数(IoU/GIoU/DIoU/CIoU/EIoU/AlphaIoU/SIoU)

18.YOLOv5算法改进(18)— 手把手教你去更换激活函数(SiLU/ReLU/ELU/Hardswish/Mish/Softplus)

19.YOLOv5算法改进(19)— 手把手教你去更换NMS(DIoU-NMS/CIoU-NMS/EIoU-NMS/GIoU-NMS/SIoU-NMS)

20.YOLOv5算法改进(20)— 如何去写YOLOv5相关的论文(包括论文阅读+规律总结+写作方法)

21.YOLOv5算法改进(21)— 添加CA注意力机制 + 更换Neck网络之BiFPN + 更换损失函数之EIoU

22.YOLOv5算法改进(22)— 更换主干网络MobileNetv3 + 添加CA注意力机制

23.YOLOv5算法改进(23)— 更换主干网络GhostNet + 添加CA注意力机制 + 引入GhostConv


YOLOv5算法进阶改进系列

1.YOLOv5算法进阶改进(1)— 改进数据增强方式 + 添加CBAM注意力机制

2.YOLOv5算法进阶改进(2)— 引入可变形卷积模块 | 涨点杀器

3.YOLOv5算法进阶改进(3)— 引入深度可分离卷积C3模块 | 轻量化网络

4.YOLOv5算法进阶改进(4)— 引入解耦合头部 | 助力提高检测准确率

5.YOLOv5算法进阶改进(5)— 主干网络中引入SCConv | 即插即用的空间和通道维度重构卷积

6.YOLOv5算法进阶改进(6)— 更换主干网络之ResNet18

7.YOLOv5算法进阶改进(7)— 将主干网络SPPF更换为SimSPPF / SPP-CSPC / SPPF-CSPC

8.YOLOv5算法进阶改进(8)— 引入GSConv + Slim Neck相结合的方式降低模型复杂性

9.YOLOv5算法进阶改进(9)— 引入ASPP | 空洞空间金字塔池化

10.YOLOv5算法进阶改进(10)— 更换主干网络之MobileViTv3 | 轻量化Backbone

11.YOLOv5算法进阶改进(11)— 添加EMA注意力机制 | 基于跨空间学习的高效多尺度注意力模块

12.YOLOv5算法进阶改进(12)— 引入YOLOv8中的C2f模块 | 提升小目标检测精度

13.YOLOv5算法进阶改进(13)— 更换上采样方式之CARAFE | 轻量级通用上采样算子

14.YOLOv5算法进阶改进(14)— 即插即用的动态卷积之ODConv | 助力涨点

15.YOLOv5算法进阶改进(15)— 引入密集连接卷积网络DenseNet

16.YOLOv5算法进阶改进(16)— 更换Neck网络之GFPN(源自DAMO-YOLO)

17.YOLOv5算法进阶改进(17)— 添加BiFormer注意力机制 | 提升小目标检测精度

18.YOLOv5算法进阶改进(18)— 引入动态蛇形卷积DSConv(ICCV2023 | 用于管状结构分割)

19.YOLOv5算法进阶改进(19)— 在主干网络中引入SAConv | 轻量化的可切换空洞卷积

20.YOLOv5算法进阶改进(20)— 更换主干网络之RepViT | 从ViT视角重新审视移动CNN 


YOLOv5项目实战系列

1.YOLOv5项目实战(1)— 如何去训练模型

2.YOLOv5项目实战(2)— 手把手教你租借云服务器去训练模型

3.YOLOv5项目实战(3)— 如何批量命名数据集中的图片

4.YOLOv5项目实战(4)— 简单三步,教你按比例划分数据集

5.YOLOv5项目实战(5)— 算法模型优化和服务器部署

持续更新中......


番外篇

1.番外篇 | YOLOv5+DeepSort实现行人目标跟踪检测

2.番外篇 | 利用YOLOv5实现视频划定区域目标统计计数

持续更新中...... 


版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/weixin_61961691/article/details/132641184

智能推荐

《旭日X3派开发小技巧》—— 备份与恢复SD卡镜像_sd卡镜像烧写后无法进入系统-程序员宅基地

文章浏览阅读532次。便捷备份与恢复SD卡镜像~_sd卡镜像烧写后无法进入系统

BeanCreationException: Error creating bean with name 'xxController':-程序员宅基地

文章浏览阅读1.5k次。报这个错,一定要注意 controller类的注解的包导对没以及 mapper.XML 是否与数据库对应 或是 字段名是否重复了_beancreationexception: error creating bean with name 'departmentcontroller':

树状数组初学_树状数组原地构建-程序员宅基地

文章浏览阅读960次。一、树状数组的初学之前学习过前缀和和差分的一些知识就觉得挺神奇的,然后昨天刷到力扣的每日一题之后发现,好像树状数组在多区间的修改和查询方面很神奇,包括之后要学习的线段树(能解决所有树状数组的问题)可能会更加有收获吧。二、一些小小的理解①lowbit的理解在线段数组里面有这么一个重要的函数,也是能够构造整个树状数组的核心吧!代码只有一行,但是对于我这种萌新来说,刚开始还是很难理解的。代码如下://寻找一个数最低位的1int lowbit(int x) { return x &am_树状数组原地构建

Pytorch-TORCHVISION.TRANSFORMS(transforms模块)索引_torchvision.transforms.functional.to_pil_image-程序员宅基地

文章浏览阅读966次,点赞2次,收藏8次。TORCHVISION.TRANSFORMS简介1、Transforms on PIL Image(对PIL图像进行处理)1-1:torchvision.transforms.CenterCrop(size)1-2:torchvision.transforms.ColorJitter(brightness=0, contrast=0, saturation=0, hue=0)1-3:torchvision.transforms.FiveCrop(size)1-4:torchvision.transforms_torchvision.transforms.functional.to_pil_image

HALCON 21.11:深度学习笔记---模型(8)_halcon 深度学习-程序员宅基地

文章浏览阅读5k次,点赞3次,收藏27次。HALCON 21.11:深度学习笔记---模型(8)HALCON 21.11.0.0中,实现了深度学习方法。本章阐述了HALCON中深度学习(DL)模型的一般概念和数据处理。从概念上讲,HALCON中的深度学习模型是深度神经网络的内部表示。每个深度神经网络都有一个定义其功能的架构,即它可以用于的任务。一个功能可以有多个可能的网络架构。目前,以下功能的网络在HALCON中作为模型实现:异常检测,参见深度学习/异常检测。 分类,参见深度学习/分类。 对象检测,参见深度学习/对象_halcon 深度学习

RT-Thread简介-程序员宅基地

文章浏览阅读6.7k次,点赞5次,收藏7次。RT-Thread 是一款完全由国内团队开发维护的嵌入式实时操作系统(RTOS),具有完全的自主知识产权。经过近 12 个年头的沉淀,伴随着物联网的兴起,它正演变成一个功能强大、组件丰富的物联网操作系统。1.RT-Thread概述RT-Thread,全称是 Real Time-Thread,顾名思义,它是一个嵌入式实时多线程操作系统,基本属性之一是支持多任务,允许多个任务同时运行并不意味着...

随便推点

为CentOS7编译升级GCC_centos7没有c++14-程序员宅基地

文章浏览阅读6k次。CentOS7默认的GCC版本是4.8,不支持C++14,对C++11支持也不完善,编译时需要加上-std=c++11才能勉强支持C++11,所以对GCC来个升级。因为3.10的内核实在太老,加之GCC4.8和最新的GCC8.2代差太大,直接用GCC4.8编译安装GCC7或8是不能成功的,我选择了GCC6.5,6.5对C++11支持很完美,还支持C++14. 1、下载和解压源码 这里..._centos7没有c++14

已知小明的数学 英语和计算机课程,实验报告模板-实验1课件.doc-程序员宅基地

文章浏览阅读316次。丽 水 学 院 计 算 机 实 验 报 告课程名称 程序设计基础 实验项目名称 实验 1 简单的 C 语言程序设计实验时数 3 实验类型 □操作性 □验证性 □设计性 □综合性指导老师 卢敏实验地点(包括机号 )6 号机房 实验日期 2015年 9 月 28 日学生姓名 × × × 班 级 × × × × 学 号 × ×同组成员 无( 教师根据实际情况在两种成绩的评定方法中确定其一 )等级制成绩:..._已知小明的数学,英语和计算机课程的成绩分别是87分,80分和95分,求小明3门课程的平

Element UI 表单resetFields(),form表单没办重置的原因及解决方法_表单form新打开页面内容不重置-程序员宅基地

文章浏览阅读1.1k次。场景1、用dialog【新增】、【修改】数据2、先点击了【修改】,弹出弹窗,此时弹窗的form表单已经赋值3、再点击新增按钮,此时调用resetFields()方法是没有办法使form清空的原因:resetFields是将form表单重置到初始值,而这个初始值是form表单mounted后的值,也就是点击了【修改】时赋的值。解决方法:dialog的form表单清空,this.formData = this.$options.data().call(this).formData //弹窗表_表单form新打开页面内容不重置

Java方法的重载理解及使用(利用方法重载求两/三个数最大值或者求和)_多个重载的求和方法-程序员宅基地

文章浏览阅读1w次,点赞12次,收藏39次。重载(在一个程序中可以定义多个名称相同的方法,但是参数的类型和个数必须不同)Java中针对同一个类:1、方法名相同2、方法的参数不同(参数个数或者参数类型)3、方法的返回值类型不影响重载.使用重载时,输入的值必须和方法接收的参数相对应,不然会报错。在同一个类中定义多个方法求最大值方法的重载:要求不仅可以求两个整数的最大值,还可以求两个小数的最大值,以及两个小数和一个整数的大小关系..._多个重载的求和方法

基于PXE实现网络自动化安装LInux系统_基于pxe技术实现linux网络自动安装-程序员宅基地

文章浏览阅读510次。@TOCWhat(能实现什么)    在工作的当中,作为运维人员如果要管理几十台或者上百台机器时,我们一定会用上自动化运维的思维。例如:boss限制我们一天内上线30台服务器。那我们不可能一台台去安装的,如果通过光驱或U盘的方式一个个安装,不仅效率低,也不利于维护,这是时候你就需要PXE的强大功能了。Why(原理是什么)操作系统启动流程    首先,bios启动,选择操作系统启动或者安装..._基于pxe技术实现linux网络自动安装

深度学习入门——波士顿房价预测-程序员宅基地

文章浏览阅读1.2w次,点赞17次,收藏157次。基于神经网络模型的波士顿房价预测波士顿房价预测是一个经典的机器学习任务,类似于程序员世界的“Hello World”。以“波士顿房价预测”任务为例,我们学习如何使用Python语言和Numpy库来构建神经网络模型。波士顿地区的房价受诸多因素影响。该数据集统计了13种可能影响房价的因素和该类型房屋的均价,期望构建一个基于13个因素进行房价预测的模型,如下所示。对于预测问题,可以根据预测输出的类型是连续的实数值,还是离散的标签,区分为回归任务和分类任务。因为房价是一个连续值,所以房价预测是一个回归任务。_波士顿房价预测

推荐文章

热门文章

相关标签