个人技术分享

此外，尽管作者在无需NMS的训练下使用一对一 Head 可以获得具有竞争力的端到端性能，但与使用NMS的一对多训练相比，仍然存在性能差距，特别是在小型模型中更为明显。例如，在YOLOv10-N和YOLOv10-S中，使用NMS的一对多训练的性能比无需NMS的训练分别高出1.0% AP和0.5% AP。此外，为了确保两个分支之间的和谐监督，作者创新性地提出了连贯匹配度量，这可以很好地减少理论上的监督差距，并带来性能的提升。2、作者提出了一种整体效率-精度驱动的模型设计策略，用于YOLO的模型架构。

YOLOv8 作为最新的目标检测算法，以其高精度、高速度和易用性，成为许多开发者首选。而香橙派 AIpro 作为一款高性能嵌入式开发板，采用昇腾AI技术路线，集成图形处理器，拥有8GB/16GB LPDDR4X，8/20 TOPS AI算力，为 AI 应用提供了坚实的硬件基础。本篇文章将分享使用香橙派 AIpro 和 YOLOv8 结合 USB 摄像头进行物体检测的实战经验，并探讨其在实际应用中的价值。昇腾CANN框架的优势推理速度显著提升。

YOLO模型以其在图像和视频中检测对象的高速度和准确性而闻名，因此在各种计算机视觉应用中广受欢迎。其先进的架构、高效的训练技术和多功能性使其成为各种计算机视觉任务的强大工具。随着持续的研究和发展，YOLOv8有望继续推动目标检测及其相关领域的发展。YOLOv8在其前辈（如YOLOv4、YOLOv5和YOLOv7）的架构基础上，融合了先进的神经网络技术。YOLOv8结合了先进的训练策略，如标签平滑、混合精度训练和自动超参数调整。这简化了模型，并减少了定义和调整锚框所带来的计算开销。

YOLO在实时物体检测领域因计算成本与检测性能的平衡而领先。尽管研究人员在架构、优化目标和数据增强方面取得显著进展，但YOLO对NMS的依赖影响了其端到端部署和推理速度。此外，YOLO组件设计的不足导致计算冗余和性能限制。为此，YOLOv10专注于后处理和模型架构，提出了无NMS训练的一致对偶分配方法，实现高性能和低延迟。同时，YOLOv10采用效率-准确度驱动的策略，全面优化YOLO组件，降低计算成本并提高性能。

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["cat","dog"]图片数量(jpg文件个数)：8291。标注数量(xml文件个数)：8291。标注数量(txt文件个数)：8291。使用标注工具：labelImg。标注规则：对类别进行画矩形框。cat 框数 = 4766。

至此，整个YOLOv10的训练预测阶段完成，与YOLOv8差不多。欢迎各位批评指正。

Ultralytics YOLOv8 是一个尖端的、最先进的（SOTA）模型，它建立在以前 YOLO 版本的成功基础之上，并引入了新功能和改进，以进一步提高性能和灵活性。YOLOv8 旨在快速、准确且易于使用，使其成为广泛的对象检测和跟踪实例分割图像分类和姿态估计任务的极佳选择。

idea工具配置

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：439。标注数量(xml文件个数)：439。标注数量(txt文件个数)：439。标注类别名称:["tire"]使用标注工具：labelImg。tire 框数 = 1008。标注规则：对类别进行画矩形框。

学习目标检测算法，yolov1是必看内容，不同于生成模型，没有特别多的理论，关键在于模型结构的构造。先直接从作者给的图，来解释yolo到底干了一件什么事情，为什么速度那么快。我们重点分析这几张图，搞明白图就明白了算法核心。输入：输入是一张完整的图片，不是说把一张图片分成S*S个网络输出S×S×B∗5CS×S×B∗5CS×SS\times SS×S相当于把原图分成S×SS\times SS×S个grid cell，这里是7x7；B∗5C。

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["hemorrhage","normal"]图片数量(jpg文件个数)：767。标注数量(xml文件个数)：767。标注数量(txt文件个数)：767。normal 框数 = 224。使用标注工具：labelImg。标注规则：对类别进行画矩形框。

本文档主要描述YOLOv5算法在训练模型时对于数据集的配置文件的使用技巧、格式以及注意事项，以及对于多批次数据的更加方便快捷的加载等操作示例

如何优雅简洁的使用YOLOv8

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["xuanfeng"]图片数量(jpg文件个数)：159。标注数量(xml文件个数)：159。标注数量(txt文件个数)：159。xuanfeng 框数 = 159。使用标注工具：labelImg。标注规则：对类别进行画矩形框。

在花卉识别研究中，一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含10513张花卉图片的数据集，旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集，分别为9131张、919张和463张，确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理，包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素，并应用自适应均衡化技术增强对比度，以突出花卉特征，优化模型学习效果。

本文仅根据模型的预测过程，即从输入图像到输出结果（图像预处理、模型推理、后处理），来展现不同任务下的网络结构，OBB 任务暂不包含。

这个月有朋友问怎么在OAK相机上部署yolov9，正好给大家出个教程。1.其他Yolo转换及使用教程请2.检测类的yolo模型建议使用在线转换（），如果在线转换不成功，你再根据本教程来做本地转换。

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:["cat","dog"]图片数量(jpg文件个数)：8291。标注数量(xml文件个数)：8291。标注数量(txt文件个数)：8291。使用标注工具：labelImg。标注规则：对类别进行画矩形框。cat 框数 = 4766。

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：96。标注数量(xml文件个数)：96。标注数量(txt文件个数)：96。使用标注工具：labelImg。标注类别名称:["rat"]标注规则：对类别进行画矩形框。rat 框数 = 378。

ONNX Runtime 是一个开源的高性能推理引擎，用于部署和运行机器学习模型，其设计的目标是优化执行open neural network exchange （onnx）格式定义各模型，onnx是一种用于表示机器学习模型的开放标准。onnx模型：ONNX格式的模型文件，通常以.onnx扩展名保存，onnx文件是一种中性表示格式，独立于任何特定的深度学习框架，用于跨不同框架之间的模型转换和部署。要在不同框架或平台中部署训练的pt模型，需要利用ONNX转换工具将pt模型转换为ONNX格式。