机器学习

PaddleDetection知识蒸馏 知识蒸馏主要是让让新模型（通常是一个参数量更少的模型）近似原模型(模型即函数)。注意到，在机器学习中，我们常常假定输入到输出有一个潜在的函数关系，这个函数是未知的：从头学习一个新模型就是从有限的数据中近

yolo-fastest模型训练&树莓派部署物体检测模型 0. 文档介绍 本文档分为以下几个部分： 模型训练：使用基于 darknet 的 yolofastest 训练生成用于物体检测的模型arm 端模型推理&

本文为Wilson Ho的讲解影片（圖解兩階段物件偵測算法）笔记 历年图像识别算法（2014至2019）原始对象检测算法 对象检测的任务有两个：识别出对象是啥&#xff0c

代码出处：facebookresearch/maskrcnn-benchmark maskrcnn_benchmark/modeling/backbone/fpn.py # Copyright (c) Facebook, In

0 摘要 在大家的千呼万唤中，MMDetection 支持 CenterNet 了！！ CenterNet 全称为 Objects as Points，因其极其简单优雅的设计、任务扩展

我最近对很火的元宇宙及其衍生概念进行了思考，虽然现在谈元宇宙落地还为时尚早，但是根据这个愿景反推回来很多的技术趋势和未来的发展方向还是值得关注的。下面是我的公众号原文：【AI行业进展研究与商业价值分析】

在检测任务中，使用交并比（Intersection of Union，IoU）作为衡量指标,来描述两个框之间的重合度。这一概念来源于数学中的集合，用来描述两个集合AAA和BB

目标检测—CIOU原理及代码实现 最近刚写完一篇YOLO V4-tiny的blog，其中Tensorflow2.0—YOLO V4-tiny网络原理及代码解析（三）- 损失函数的构建涉及到了CIOU。

学习前言 好多人都想算一下目标检测的精确度，mAP的概念虽然不好理解，但是理解了就很懂。 GITHUB代码下载 这个是用来绘制mAP曲线的。 https://github.com/Cartucho/mAP 这

本文主要阐述如何利用Detectron2来进行目标检测。一、Detectron2简介 Detectron2 前身就是鼎鼎大名的Detectron，其实Detectron可以说是Facebook第一代检测工具箱，目前