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 · 204 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 · 401 人已学 白老师
YOLOv4-tiny目标检测实战:训练自己的数据集
课程演示环境:Ubuntu   需要学习Windows系统YOLOv4-tiny的同学请前往《Windows版YOLOv4-tiny目标检测实战:训练自己的数据集》   YOLOv4-tiny来了!速度大幅提升!   YOLOv4-tiny在COCO上的性能可达到:40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny,AP和FPS的性能有巨大提升。并且,YOLOv4-tiny的权重文件只有23MB,适合在移动端、嵌入式设备、边缘计算等设备上部署。   本课程将手把手地教大家使用labelImg标注和使用YOLOv4-tiny训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。   本课程的YOLOv4-tiny使用AlexAB/darknet,在Ubuntu系统上做项目演示。包括:YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类分析。     除本课程《YOLOv4-tiny目标检测实战:训练自己的数据集》外,本人推出了有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程,包括: 《YOLOv4目标检测实战:训练自己的数据集》 《YOLOv4目标检测实战:人脸口罩佩戴识别》 《YOLOv4目标检测实战:中国交通标志识别》 《YOLOv4目标检测:原理与源码解析》
¥58.00 22 节 · 4804 人已学 白老师
YOLOv5目标检测之Grad-CAM热力图可视化
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Grad-CAM热力图可视化方法对YOLOv5进行热力图可视化,可直观展示图像中哪些区域对类别分类贡献程度大。 Grad-CAM是一种CNN(卷积神经网络)可解释性的经典方法,与CAM(类激活图)相比,不需要对模型进行改动就可以生成热力图(heatmap),非常方便和灵活。 本课程在YOLOv5 v6.1版本代码的基础上增加Grad-CAM热力图可视化方法,并演示针对自己的数据集训练和进行Grad-CAM热力图可视化过程,并讲解原代码针对Grad-CAM热力图可视化的修改部分。 本课程分为原理篇、实战篇、代码讲解篇。 ·        原理篇包括:Grad-CAM热力图可视化原理。 ·        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、训练自己的数据集、Grad-CAM热力图可视化。   ·        代码讲解篇包括:针对Grad-CAM热力图可视化具体修改的代码讲解。
¥88.00 10 节 · 453 人已学 白老师
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 · 397 人已学 白老师
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 · 5148 人已学 白老师
PointNet++点云处理TensorFlow版
三维点云是物理世界的三维数据表达形式,其应用日益广泛,如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作,PointNet++是对PointNet的改进技术。PointNet++是点云处理深度学习里程碑式的工作,启发了很多后续研究。 原作的PointNet++代码使用Python2.7和tensorflow1.4。本课程将PointNet++代码更新至Python3并在tensorflow1.13上演示。   本课程对TensorFlow版的PointNet++进行原理讲解、论文复现和代码详解。包括:   (1)提供三维点云数据集ModelNet40、ShapeNet和Scannet的下载、可视化软件和方法; (2)在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试; (3)详解PointNet++的原理、程序代码和实现细节,并使用PyCharm进行Debug调试代码和单步跟踪。
¥98.00 33 节 · 3416 人已学 白老师
PointNet++点云处理精讲(PyTorch)
三维点云是物理世界的三维数据表达形式,其应用日益广泛,如自动驾驶、AR/VR、FaceID等。PointNet网络模型是直接对三维点云数据进行深度学习的开山之作,PointNet++是对PointNet的改进技术。作为点云处理深度学习方法的里程碑工作,启发了很多后续研究。 本课程对PyTorch版的PointNet++进行原理讲解、论文复现和代码详解。包括:  (1)提供三维点云物体分类数据集ModelNet40、物体部件分割数据集ShapeNet和场景分割数据集S3DIS的下载、可视化软件和方法; (2)在Ubuntu系统上演示使用PointNet++进行三维点云的物体分类、部件分割和场景语义分割的训练和测试; (3)详解PointNet++的原理、程序代码和实现细节,并使用PyCharm进行Debug调试代码和单步跟踪。 需要学习TensorFlow版PointNet++的学员可前往本人推出了课程《PointNet++点云处理TensorFlow版》
¥98.00 32 节 · 6748 人已学 白老师
DeepLabv3+图像语义分割实战:训练自己的数据集
DeepLabv3+是一种非常先进的基于深度学习的图像语义分割方法,可对物体进行像素级分割。 本课程将手把手地教大家使用labelme图像标注工具制作数据集,并使用DeepLabv3+训练自己的数据集,从而能开展自己的图像语义分割应用。 本课程有两个项目实践: (1) CamVid语义分割 :对CamVid数据集进行语义分割 (2) RoadScene语义分割:对汽车行驶场景中的路坑、车、车道线进行物体标注和语义分割 本课程使用TensorFlow版本的DeepLabv3+,在Ubuntu系统上做项目演示。 包括:安装deeplab、数据集标注、数据集格式转换、修改程序文件、训练自己的数据集、测试训练出的网络模型以及性能评估。 本课程提供项目的数据集和Python程序文件。 下图是使用DeepLabv3+训练自己的数据集RoadScene进行图像语义分割的测试结果:
¥88.00 16 节 · 10372 人已学 白老师
¥1.00 7 节 · 114 人已学 七月在线
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