【进阶opencv】 （5）-爱代码爱编程
文章目录 指纹验证1. 验证原理2. 读取图片3. 计算特征匹配点 总结 指纹验证 指纹验证基于人类指纹的独特性和稳定性。每个人的指纹在图案、断点和交叉点上各不相同，这种唯一性和终生不变性使得
【进阶opencv】 （6）-爱代码爱编程
文章目录 指纹识别1. 计算指纹间匹配点的个数2. 获取指纹编号3. 获取对应姓名4. 代码实现 总结 指纹识别 假设，现在我们有一个小的指纹库，此时，有一个指纹图片需要我们识别是不是指纹库中
[数据集][目标检测]电力场景防震锤缺陷检测数据集voc+yolo格式705张1类别-爱代码爱编程
重要说明：防震锤缺陷图片太难找，数据集里面存在大量单一场景图片，请仔细查看图片预览谨慎下载，此外数据集均为小目标检测，如果训练map偏低属于正常现象 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) 图片数量(jpg文件个数)：705 标注数量(xm
【3d目标检测】激光雷达和相机联合标定（二）——matlab联合标定工具使用-爱代码爱编程
MATLAB联合标定工具使用 引言1 MATLAB 样例标定（lidar+camera）1.1 官网数据集准备1.2 激光雷达相机联合校准（1）打开 Lidar Camera Calibrator App（2）
少样本学习：目标检测中的革命性突破_少样本目标检测-爱代码爱编程
少样本学习：目标检测中的革命性突破 在机器学习和计算机视觉领域，目标检测任务通常依赖于大量标注数据来训练模型。然而，在现实世界中，对于一些稀有或新颖的类别，获取大量标注数据是非常困难的。少样本学习（Few-Shot Lea
发论文idea来了！小样本学习+目标检测，12个创新点汇总_小样本 目标检测-爱代码爱编程
在一些特定应用领域，获取大规模且高质量标注的数据十分困难，比如医学图像分析。为了解决这个问题，研究者们提出了小样本目标检测。 小样本目标检测是一种结合了小样本学习和目标检测两者优势的技术，能够在有限的训练数据下，训练出具有更高实用性和泛化能力的模型。目前它在工业界与学术界都与各热门研究方向强相关，因此创新切入点很多，是个很好发论文的方向。 传统且主流的
深度学习笔记（六）——yolov5的两个模块_yolo模块-爱代码爱编程
YOLOv5 是一种流行的目标检测算法，采用了单阶段目标检测的方法，主要依赖于卷积神经网络来完成对象检测任务。本篇文章介绍YOLOv5 的2个模块： C3模块和Backbone模块。 一、模型搭建 1、搭建包含C3模块的
yolov5原创改进:全维动态卷积再改进，gcodconv_全维度动态卷积odconv 改进yolov5-爱代码爱编程
目录 一、原理 网络结构 二、代码 三、应用到YOLOv5中 一、原理 在每个卷积层中学习单个静态卷积核1是现代卷积神经网络(cnn)的常见训练范式。 相反，最近的动态卷积研究表明，学习n个卷积核的线性组合，并对其输入依赖的关注进行加权，可以显著提高轻量级cnn的精度，同时保持有效的推理。然而，我们观察到，现有的工作通过核空
杀疯啦！yolov11+strongsort的目标跟踪实现-爱代码爱编程
目录 yolov11介绍——实时端到端物体检测 概述 主要特征 支持的任务和模式 性能指标 总结 strongsort介绍 指标图 系统定位 效果展示 训练与预测 UI设计 界面其他功能展示 完整代码实现+UI界面 yolov11介绍——实时端到端物体检测 概述 YOLO11 是 Ultralytics YOLO
yolov9+strongsort的目标跟踪实现-爱代码爱编程
目录 yolov9介绍 strongsort介绍 性能指标图 系统定位 效果展示 训练与预测 UI设计 界面其他功能展示 完整代码实现+UI界面 此次yolov9+deepsort不论是准确率还是稳定性，都超越了之前的yolo+deepsort系列。 yolov9介绍 在目标检测领域，YOL
yolov10结合strongsort+osnet实现目标跟踪于重识别【附代码】_yolov10只识别特定类型目标-爱代码爱编程
文章目录 前言功能概述必要环境一、代码结构1. 参数定义2. 设备选择3. 定义检测器类4. 获取目标框颜色5. 检测与跟踪6. 绘制轨迹线代码详解7. 目标框格式转换详解1. 扩展置信度和类别预测的维度2.
pcb电路板缺陷-爱代码爱编程
PCB电路板缺陷-目标检测数据集（包括VOC格式、YOLO格式） 数据集： 链接：https://pan.baidu.com/s/1tm2ArZc4_rBA5NGFNDUPgA?pwd=19iz 提取码：19iz
【yolov5/v7改进系列】替换上采样层为双三次插值方式_yolov5上采样-爱代码爱编程
一、导言 原始的YOLOv5/v7等目标检测算法在上采样层常常使用最近邻插值，在实际实验过程中，我们还可以采用更多的插值方式等来替换。 bicubic（又称为双三次插值） 双三次插值（Bicubic Interpolation）是一种数字图像处理和计算机图形学中常用的插值算法，用于估计图像中未采样点（即介于已知像素值之间的点）的颜色值。这种插值方法特
上采样和下采样特征金字塔与跨层注意力模块_跨层特征金字塔-爱代码爱编程
遥感领域有许多不同的研究分支，如目标检测、变化检测、目标跟踪和异常检测。近年来，随着计算机硬件的改进，遥感领域出现了许多优秀的作品，进一步促进了遥感领域的研究。 目标检测是计算机视觉中一个复杂的多任务问题，它涉及两个主要任务：定位和分类。就像人类发现物体一样，物体检测器不仅需要告诉我们物体在哪里，还需要告诉我们物体是什么。这对于人类来说是一项非常
halcon20.11深度学习目标检测模型_halcon deep learning tool-爱代码爱编程
1.前言：.Halcon的深度学习标注工具一直在更新，我下载的20.11版本的Deep Learning Tool已经显示过期，无奈只能下载最新版MVTec Deep Learning Tool 24.05。不过最新版的标注
【yolov5/v7改进系列】替换上采样层为carafe_yolov5替换上采样方式-爱代码爱编程
一、导言 CARAFE（Content-Aware ReAssembly of Features）是一种创新的特征上采样方法，具有以下显著优点： 大视野聚合能力：与仅利用亚像素邻域的先前方法（如双线性插值）不同，CARAFE能够在更大的感受野内聚集上下文信息。这有助于捕捉更丰富的场景结构和细节。 内容自适应处理：CARAFE摒弃了对所有样本使用
【yolov5/v7改进系列】替换上采样层为转置卷积_yolov5改进上采样-爱代码爱编程
一、导言 转置卷积，又称为分数步长卷积或错位卷积，在深度学习和图像处理中有以下几个显著优点： 尺寸上采样：转置卷积最直接的优势在于能够有效地执行上采样操作，即从低分辨率特征图生成高分辨率特征图。这对于诸如语义分割、图像超分辨率和生成模型等任务至关重要，这些任务需要生成与原始输入尺寸匹配的高分辨率输出。 学习上采样模式：与传统的插值方法（如双线性
【yolov5/v7改进系列】替换上采样层为双线性插值方式_yolov5替换上采样方式-爱代码爱编程
一、导言 原始的YOLOv5/v7等目标检测算法在上采样层常常使用最近邻插值，在实际实验过程中，我们还可以采用更多的插值方式等来替换。 bilinear（又称双线性插值） 双线性插值是一种数学上的插值算法，其核心思想是在两个方向分别进行一次线性插值。具体来说，假设我们已知某个函数在四个点的值，这四个点构成一个矩形，我们要得到这个函数在矩形内任意一点的
yolov9改进策略【conv和transformer】| bottleneck transformers 简单且高效的自注意力模块-爱代码爱编程
一、本文介绍 本文记录的是利用Bottleneck Transformers (BoT)优化YOLOv9的目标检测网络模型。标准的卷积操作虽然能有效捕获局部信息，但在处理需要全局信息整合的任务时存在局限性，而自注意力机制能
yolo11网络结构详解与对比_yolov11结构-爱代码爱编程
时隔一年半，u版yolo再次推出新版，它是基于u版前一代yolov8的基础上改进的，本贴讨论一下改进的地方，直接看网络结构： # Ultralytics YOLO 🚀, AGPL-3.0 license # YOLO11 object detection model with P3-P5 outputs. For Usage examples see h