YOLOv5目标检测之网络剪枝实战
PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Network Slimming剪枝方法对YOLOv5进行网络剪枝,使其更加轻量。 Network Slimming是一种经典的实用模型压缩方法,可实现高效的通道级别的结构化剪枝。该方法通过利用BN(Batch Normalization)层中缩放因子较小的值来剪裁的相应通道,达到精简网络的目的。步骤包括:增加稀疏正则化的训练、网络模型剪枝、剪枝后的网络模型微调。 本课程在YOLOv5 v6.1版本代码的基础上增加Network Slimming剪枝方法,在Windows和Ubuntu系统上演示针对自己的数据集训练和进行网络剪枝过程,并讲解原代码针对剪枝的修改部分。 本课程分为原理篇、实战篇、代码讲解篇。 原理篇包括:网络剪枝的基础知识、Network Slimming剪枝原理。 实战篇包括:PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、正常训练自己的数据集、稀疏化训练、网络模型剪枝、剪枝后的网络模型微调。 代码讲解篇包括:剪枝代码修改说明和具体修改的代码讲解。
¥88.00 22 节 · 360 人已学 白老师
YOLOv5改进:更换骨干网
PyTorch版的YOLOv5是一个当前非常流行的目标检测器,本课程讲述对YOLOv5进行更换骨干网(backbone)的方法,使其更加轻量或提高性能。 本课程在YOLOv5 v6.1版本代码的基础上更换其骨干网,在Windows和Ubuntu系统上演示针对自己的数据集进行骨干网更换、重头训练和性能评估过程,并讲解骨干网网络模型原理以及原代码针对骨干网更换的修改部分。 课程中使用和更换了如下的骨干网:YOLOv5s、YOLOv5n、MobileNetV2、MobileNetV3、 ShuffleNetV2、GhostNet、Transformer 项目实战过程包括:PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、训练网络模型以及性能评估。  
¥88.00 24 节 · 127 人已学 白老师
基于海思NNIE引擎实现JPEG图片识别应用
本课程一共分为三个部分,如下所示。 一、课程内容、特色、目标以及答疑 二、MPP开发入门 1)讲解vi  vdec vpss 以及vo等概念以及视频图像怎么在它们之间传递 2)vdec vpss vo例程代码及其调试方法详解 三、基于NNIE构建一个jpeg图片识别的完整应用 1)模型量化选项详解 2)直接对jpeg图片进行目标检测,附上源代码并详细讲解。
¥58.00 7 节 · 920 人已学 刘山
YOLOv5实战垃圾分类目标检测
垃圾分类是一项利国利民的民生工程,需要全社会的共同参与。YOLOv5是目前流行的强悍的目标检测技术。本项目采用YOLOv5实现垃圾分类目标检测。利用超万张已标注目标检测数据集进行训练,对居民生活垃圾图片进行检测,找出图片中属于哪个类别的垃圾,并指示出在图片中的位置。 本课程的YOLOv5使用PyTorch版的ultralytics/yolov5,分别在Windows和Ubuntu系统上进行垃圾分类目标检测的项目演示。具体项目过程包括:数据集及格式转换、探索性数据分析(EDA)、安装软件环境、安装YOLOv5、修改YOLOv5代码(为支持中文标签)、训练集和测试集自动划分、修改配置文件、准备Weights&Biases训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。
¥88.00 27 节 · 5089 人已学 白老师
YOLOv5目标检测之知识蒸馏实战
PyTorch版的YOLOv5是一个当前非常流行的目标检测器,本课程对YOLOv5进行知识蒸馏实战,来提升其性能。 知识蒸馏(Knowledge Distillation)是模型压缩的一种常用的方法。它利用性能更好的大模型的监督信息,来训练一个轻量化小模型,使小模型达到更好的性能和精度。 最早是由Hinton首次提出并应用在分类任务上,这个大模型称之为教师模型,小模型称之为学生模型。来自教师模型输出的监督信息称之为Knowledge(知识),而学生网络学习迁移来自教师网络的监督信息的过程称之为Distillation(蒸馏)。 本课程在YOLOv5 v6.1版本代码的基础上增加知识蒸馏方法,并实际演示针对自己的数据集训练和进行知识蒸馏过程,并讲解原代码针对知识蒸馏的修改部分。 本课程分为原理篇、实战篇、代码讲解篇。 原理篇包括:知识蒸馏的基础知识、目标检测中知识蒸馏的方法。 实战篇包括:PyTorch环境安装、YOLOv5项目安装、准备自己的数据集、修改配置文件、训练学生网络(Yolov5s)、训练教师网络(训练YOLOv5m)、知识蒸馏训练。 代码讲解篇包括:知识蒸馏具体修改代码的讲解。
¥88.00 12 节 · 353 人已学 白老师
DETR原理与代码精讲
Transformer在许多NLP(自然语言处理)任务中取得了最先进的成果。 DETR(Detection Transformer)是Facebook提出的基于Transformer的端到端目标检测方法。 DETR使用CNN+Transformer进行图像目标检测,该方法没有NMS后处理步骤、没有anchor。DETR总体思路是把目标检测看成一个set prediction的问题,并且使用Transformer来预测物体边界框的集合。 本课程对DETR的原理与PyTorch实现代码进行精讲,来帮助大家掌握其详细原理和具体实现。  原理精讲部分包括:Transformer的架构概述、Transformer的Encoder 、Transformer的Decoder、DETR网络架构、DETR损失函数、DETR实验结果和分析。   代码精讲部分使用Jupyter Notebook对DETR的PyTorch代码进行逐行解读,包括:安装PyTorch、 DETR官方Demo,DETR的hands-on tutorial,DETR的代码精讲(数据准备、Backbone和位置编码、Transformer架构的实现)。 相关课程:  《Transformer原理与代码精讲(PyTorch)》https://edu.csdn.net/course/detail/36697 《Transformer原理与代码精讲(TensorFlow)》https://edu.csdn.net/course/detail/36699 《ViT(Vision Transformer)原理与代码精讲》https://edu.csdn.net/course/detail/36719 《DETR原理与代码精讲》https://edu.csdn.net/course/detail/36768 《Swin Transformer实战目标检测:训练自己的数据集》https://edu.csdn.net/course/detail/36585 《Swin Transformer实战实例分割:训练自己的数据集》https://edu.csdn.net/course/detail/36586 《Swin Transformer原理与代码精讲》 https://download.csdn.net/course/detail/37045
¥38.00 14 节 · 541 人已学 白老师
隐马尔可夫HMM精讲
隐马儿可夫模型(Hidden Markov Model),简称HMM,既是机器学习中的经典模型,在语言识别,自然语言处理,模式识别等领域有广泛的应用。特别对于NLP算法工程师来说,掌握HMM算法能够提高解决问题建模的能力、拓展算法思路,在NLP算法岗的面试中游刃有余。 本课程将带你深入了解隐马儿可夫模型的定义,两个基本假设及三个基本问题,掌握概率计算算法、期望最大EM算法的详细推导过程,通过本门课程的学习,对于HMM模型的掌握将变得不再困难。 本课程适合有一-定机器学习基础,对自然语言处理领域感兴趣,有志于从事NLP算法工作的人学习,学完本课程后可以进一步学习[NLP高级小班],带你实战更多NLP领域任务,如机器翻译、文本摘要、聊天机器人、知识图谱等项目。
¥1.00 8 节 · 848 人已学 七月在线
YOLOX目标检测实战:Jetson Nano部署
YOLOX是旷视科技新近推出的高性能实时目标检测网络,性能超越了YOLOv3/YOLOv4 /YOLOv5。 Jetson Nano是英伟达含有GPU的人工智能硬件。本课程讲述如何部署YOLOX在Jetson Nano开发板上。 部署完成后可进行视频文件和摄像头视频的目标检测。部署时将使用AI视频处理加速引擎TensorRT和DeepStream。 课程内容包括: 原理篇(DeepStream介绍、TensorRT介绍) 实践篇(Nano硬件搭建、烧录系统镜像、安装远程登录工具、安装和测试DeepStream、导出YOLOX的onnx文件、安装onnx2trt、生成TensorRT的engine文件、使用DeepStream部署YOLOX(small, tiny, nano)、Nano部署测试、针对自训练数据集的修改。 相关课程: 《YOLOX目标检测实战:训练自己的数据集》https://edu.csdn.net/course/detail/35586 《YOLOX目标检测实战:TensorRT加速部署》https://edu.csdn.net/course/detail/35716 《YOLOX目标检测实战:OpenVINO部署》https://edu.csdn.net/course/detail/35791 《YOLOX目标检测实战:Flask部署》https://edu.csdn.net/course/detail/35815 《YOLOX目标检测实战:Android手机部署》https://edu.csdn.net/course/detail/35884
¥88.00 13 节 · 1388 人已学 白老师
YOLOX目标检测实战:训练自己的数据集
YOLOX是旷视科技新近推出的高性能实时目标检测网络,性能超越了YOLOv3/YOLOv4 /YOLOv5。 YOLOX使用 PyTorch开发,采用了Anchor-free机制、解耦头、Multi Positives、先进的标签分配策略和强数据增广等前沿技术。  本课程将手把手地教大家使用labelImg标注和使用YOLOX训练自己的数据集,完成一个多目标检测实战项目,可检测图像和视频中的足球和梅西两个目标类别。   本课程分别在Windows和Ubuntu系统上做项目演示。包括:安装YOLOX、标注自己的数据集、准备自己的数据集(自动划分训练集和验证集)、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。   
¥68.00 28 节 · 6231 人已学 白老师
YOLOv5实战中国交通标志识别
在无人驾驶中,交通标志识别是一项重要的任务。YOLOv5是目前流行的非常强悍的目标检测技术。本项目以中国交通标志数据集TT100K为训练对象,采用YOLOv5目标检测方法实现实时交通标志识别。 本课程的YOLOv5使用PyTorch版的ultralytics/yolov5,分别在Windows和Ubuntu系统上做中国交通标志识别的项目演示。具体项目过程包括:安装软件环境、安装YOLOv5、TT100K数据集及格式转换、训练集和测试集自动划分、修改配置文件、准备Weights&Biases训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。 本课程会讲述使用Python程序将TT100K数据集的格式转换成PASCAL VOC格式和YOLO格式的方法,并提供相应代码。  
¥88.00 31 节 · 2861 人已学 白老师
已订阅内容
我的课程 精品专栏 图文专栏
登录后即可查看
七天热销榜
下载资源