-
【YOLO系列】YOLOv8算法（尖端SOTA模型）
前言回顾在这里粗略回顾一下YOLOv5，这里直接提供YOLOv5的整理的结构图吧Backbone：CSPDarkNet结构，主要结构思想的体现在C3模块，这里也是梯度分流的主要思想所在的地方；PAN-FPN：双流的FPN，必须香，也必须快，但是量化还是有些需要图优化才可以达到最优的性能，比如cat前
-
超分之一文读懂SRGAN
这篇文章介绍SRResNet网络，以及将SRResNet作为生成网络的GAN模型用于超分，即SRGAN模型。这是首篇在人类感知视觉上进行超分的文章，而以往的文章以PSNR为导向，但那些方式并不能让人眼觉得感知到了高分辨率——Photo-Realistic。参考目录：①：SRResNet概要②：深度学
-
YOLOV5超参数设置与数据增强解析
1、YOLOV5的超参数配置文件介绍YOLOv5有大约30个超参数用于各种训练设置。它们在*xml中定义。/data目录下的Yaml文件。更好的初始猜测将产生更好的最终结果，因此在进化之前正确地初始化这些值是很重要的。如果有疑问，只需使用缺省值，这些缺省值是为YOLOv5COCO训练从头优化的。YO
-
[YOLOv7/YOLOv5系列算法改进NO.7]损失函数改进
前言：作为当前先进的深度学习目标检测算法YOLOv5，已经集合了大量的trick，但是还是有提高和改进的空间，针对具体应用场景下的检测难点，可以不同的改进方法。此后的系列文章，将重点对YOLOv5的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果
-
【图神经网络实战】深入浅出地学习图神经网络GNN（上）
文章目录一、图神经网络应用领域1.1芯片设计1.2场景分析与问题推理1.3推荐系统1.4欺诈检测与风控相关1.5知识图谱1.6道路交通的流量预测1.7自动驾驶（无人机等场景）1.8化学，医疗等场景1.9物理模型相关二、图神经网络基本知识2.1图基本模块定义2.2图神经网络要做的事情2.3邻接矩阵的定
-
Python绘制loss曲线、准确率曲线
Python绘制loss曲线、准确率曲线使用python绘制网络训练过程中的的loss曲线以及准确率变化曲线，这里的主要思想就时先把想要的损失值以及准确率值保存下来，保存到.txt文件中，待网络训练结束，我们再拿这存储的数据绘制各种曲线。其大致步骤为：数据读取与存储->loss曲线绘制->
-
前端智能化实践——可微编程
什么是可微编程通过动画、动效增加UI表现力，作为前端或多或少都做过。这里以弹性阻尼动画的函数为例：函数在图片时是效果最好的。最终，实现成JavaScript代码：复制functiondamping(x,max){lety=Math.abs(x);//下面的参数都是来源于公式用数值拟合的结果y=0.8
-
机器学习之神经网络及Python实现
神经网络在机器学习中有很大的应用，甚至涉及到方方面面。本文主要是简单介绍一下神经网络的基本理论概念和推算。同时也会介绍一下神经网络在数据分类方面的应用。首先，当我们建立一个回归和分类模型的时候，无论是用最小二乘法(OLS)还是***似然值(MLE)都用来使得残差达到最小。因此我们在建立模型的时候，都
