基于yolov2深度学习网络的视频手部检测算法matlab仿真
近年来，深度学习在计算机视觉领域取得了显著成果，特别是在目标检测任务中。YOLO（You Only Look Once）系列算法作为其中的代表，以其高效和实时的性能受到广泛关注。YOLOv2，作为YOLO的改进版，通过一系列优化策略，进一步提升了检测精度和速度。 YOLOv2网络结构 YOLOv2的网络结构主要由三部分组成：Darknet-19特征提取网络、多尺度预测和锚...
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（12）
上一篇用MindStudio转换完yolov8的om模型，准备在板卡里进行推理验证了。 我这里用的是我们自己的Tofu5m模块，40mm×40mm含外壳尺寸。可以输入网络RTSP视频流直接进行推理。这次用hi3516dv500版本的Tofu5m模块。 SDK里的demo部分是H.264视频输入，为了保持一致来验证，先改成H.264的视频流文件。 这里采用FFMPEG方式把本地文件转成H.264流出来。 ...
分割头篇 | 原创自研 | YOLOv8 更换 SEResNeXtBottleneck 头 | 附详细结构图
左图：ResNet 的一个模块。右图：复杂度大致相同的 ResNeXt 模块，基数（cardinality）为32。图中的一层表示为（输入通道数，滤波器大小，输出通道数）。 1. 思路 ResNeXt是微软研究院在2017年发表的成果。它的设计灵感来自于经典的ResNet模型，但ResNeXt有个特别之处：它采用了多个并行的“组”来处理数据，而不是单一的小路径。这种设计让ResNeXt能更高效地学习多样的...
检测头篇 | 原创自研 | YOLOv8 更换 SEResNeXtBottleneck 头 | 附详细结构图
左图：ResNet 的一个模块。右图：复杂度大致相同的 ResNeXt 模块，基数（cardinality）为32。图中的一层表示为（输入通道数，滤波器大小，输出通道数）。 1. 思路 ResNeXt是微软研究院在2017年发表的成果。它的设计灵感来自于经典的ResNet模型，但ResNeXt有个特别之处：它采用了多个并行的“组”来处理数据，而不是单一的小路径。这种设计让ResNeXt能更高效地学习多样的...
海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8（9）
上一节yolov8的训练已经完成了，现在要开始做模型的转换了，这里和yolov7方式相似，但是有一些差异，尤其是yolov7的不带NMS部分的输出顺序和yolov8的输出顺序与格式是有差异的。 首先还是要自己手动加入rpn_op,这里包含了filter,sort,nms部分。 我们一个一个看，首先filter.py里 要先增加个Filter的自定义层。 op_source = """ #includ...
YOLOv8改进 | Conv篇 | 结合Dual思想利用HetConv创新一种全新轻量化结构CSPHet（参数量下降70W）
一、本文介绍 本文给大家带来的改进机制是我结合Dual的思想利用HetConv提出一种全新的结构CSPHet，我们将其用于替换我们的C2f结构，可以将参数降低越75W，GFLOPs降低至6.6GFLOPs，同时本文结构为我独家创新，全网无第二份，非常适合用于发表论文，该结构非常灵活，利用Dual卷积思想，结合异构内核卷积来并行处理图片，结构上的结合非常合理，同时该结构非常适合轻量化的读者。 在开始之前给大家...
YOLOv8改进 | 检测头篇 | 利用DBB重参数化模块魔改检测头实现暴力涨点 (支持检测、分割、关键点检测)
一、本文介绍 本文给大家带来的改进机制是二次创新的机制，二次创新是我们发表论文中关键的一环，本文给大家带来的二次创新机制是通过DiverseBranchBlock(DBB)模块来改进我们的检测头形成一个新的检测头Detect_DBB，其中DBB是一种重参数化模块，其训练时采用复杂结构，推理时使用单分支结构，从而能够在训练的时候提取更高效的特征，还不影响推理时候的速度，同时本文的检测头支检测、分割和关键点检测...
YOLOv5改进 | 2023主干篇 | EfficientViT替换Backbone（高效的视觉变换网络）
一、本文介绍 本文给大家带来的改进机制是EfficientViT（高效的视觉变换网络），EfficientViT的核心是一种轻量级的多尺度线性注意力模块，能够在只使用硬件高效操作的情况下实现全局感受野和多尺度学习。本文带来是2023年的最新版本的EfficientViT网络结构，论文题目是'EfficientViT: Multi-Scale Linear Attention for High-Resolu...
YOLOv5改进 | 主干篇 | 12月最新成果UniRepLknet特征提取网络（附对比试验效果图）
一、本文介绍 本文给大家带来的改进机制是特征提取网络UniRepLknet，其也是发表于今年12月份的最新特征提取网络，该网络结构的重点在于使用Dilated Reparam Block和大核心指导原则，强调了高效的结构进行通道间通讯和空间聚合，以及使用带扩张的小核心进行重新参数化，该网络结构就是在LKNet基础上的一个升级版本，LKNet我们之前已经出过教程了。UniRepLknet在各种视觉任务中，包...
YOLOv5改进 | 融合改进篇 | CCFM + Dyhead完美融合突破极限涨点 (全网独家首发)
一、本文改进 本文给大家带来的改进机制是CCFM配合Dyhead检测头实现融合涨点，这个结构配合在一起只能说是完美的融合，看过我之前的检测头篇的读者都知道Dyhead官方版本支持的输入通道数是需要保持一致的，但是CCFM作为RT-DETR的Neck结构其输出通道数就是一致的，所以将这两种模块结合起来可以说是完美融合，我也将其进行了实验，在我的数据上已经做到了完美涨点！ ，我之前发的Damo-YOLO和CC...