深度学习-物体检测-YOLO系列

唐宇迪唐宇迪，计算机博士，专注于机器学习与计算机视觉领域，深度学习领域一线实战专家。参与多个国家级计算机视觉项目，多年数据领域培训经验，丰富的教学讲解经验。

课程目录
课程介绍

课时1:课程内容与风格介绍
课时2:检测任务中阶段的意义
课时3:不同阶段算法优缺点分析
课时4:IOU指标计算
课时5:评估所需参数计算
课时6:map指标计算
课时7:课程数据代码PPT下载（需PC登录）
课时8:YOLO算法整体思路解读
课时9:检测算法要得到的结果
课时10:整体网络架构解读
课时11:位置损失计算
课时12:置信度误差与优缺点分析
课时13:V2版本细节升级概述
课时14:网络结构特点
课时15:架构细节解读
课时16:基于聚类来选择先验框尺寸
课时17:偏移量计算方法
课时18:坐标映射与还原
课时19:感受野的作用
课时20:特征融合改进
课时21:V3版本改进概述
课时22:多scale方法改进与特征融合
课时23:经典变换方法对比分析
课时24:残差连接方法解读
课时25:整体网络模型架构分析
课时26:先验框设计改进
课时27:sotfmax层改进
课时28:数据与环境配置
课时29:训练参数设置
课时30:COCO数据与标签读取
课时31:标签文件读取与处理
课时32:debug模式介绍
课时33:基于配置文件构建网络模型
课时34:路由层与shortcut层的作用
课时35:YOLO层定义解析
课时36:预测结果计算
课时37:网格偏移计算
课时38:模型要计算的损失
课时39:标签值格式修改
课时40:坐标相对位置计算
课时41:完成所有损失函数所需计算指标
课时42:模型训练与总结
课时43:预测效果展示
课时44:Labelme工具安装
课时45:数据信息标注
课时46:完成标签制作
课时47:生成模型所需配置文件
课时48:json格式转换成yolo-v3所需输入
课时49:完成输入数据准备工作
课时50:训练代码与参数配置更改
课时51:训练模型并测试效果
课时52:V4版本整体概述
课时53:V4版本贡献解读
课时54:数据增强策略分析
课时55:DropBlock与标签平滑方法
课时56:损失函数遇到的问题
课时57:CIOU损失函数定义
课时58:NMS细节改进
课时59:SPP与CSP网络结构
课时60:SAM注意力机制模块
课时61:PAN模块解读
课时62:激活函数与整体架构总结
课时63:整体项目概述
课时64:训练自己的数据集方法
课时65:训练数据参数配置
课时66:测试DEMO演示
课时67:数据源DEBUG流程解读
课时68:图像数据源配置
课时69:加载标签数据
课时70:Mosaic数据增强方法
课时71:数据四合一方法与流程演示
课时72:getItem构建batch
课时73:网络架构图可视化工具安装
课时74:V5网络配置文件解读
课时75:Focus模块流程分析
课时76:完成配置文件解析任务
课时77:前向传播计算
课时78:BottleneckCSP层计算方法
课时79:SPP层计算细节分析
课时80:Head层流程解读
课时81:上采样与拼接操作
课时82:输出结果分析
课时83:超参数解读
课时84:命令行参数介绍
课时85:训练流程解读
课时86:各种训练策略概述
课时87:模型迭代过程
课时88:迁移学习的目标
课时89:迁移学习策略
课时90:Resnet原理
课时91:Resnet网络细节
课时92:Resnet基本处理操作
课时93:shortcut模块
课时94:加载训练好的权重
课时95:迁移学习效果对比
课时96:Faster-rcnn物体检测概述
课时97:深度学习经典检测方法
课时98:faster-rcnn概述
课时99:论文解读
课时100:RPN网络结构
课时101:损失函数定义
课时102:网络细节

课程概述

物体检测YOLO系列课程主要包括两大核心模块：(1),YOLO系列算法精讲，详细解读3篇论文核心知识点与整体网络架构并对其效果展开深入分析，通俗讲解YOLO架构实现原理与效果提升细节；(1),YOLO-V3项目实战，详细解读V3版本源码，通过debug模式讲解其中每一行代码，从根本掌握YOLO系列全部实现细节。整体风格通俗易懂，原理+实战实战，提供全部课程所需PPT,数据，代码。

随机推荐

深度学习-物体检测-YOLO系列

课时1:课程内容与风格介绍

课时2:检测任务中阶段的意义

课时3:不同阶段算法优缺点分析

课时4:IOU指标计算

课时5:评估所需参数计算

课时6:map指标计算

课时7:课程数据代码PPT下载（需PC登录）

课时8:YOLO算法整体思路解读

课时9:检测算法要得到的结果

课时10:整体网络架构解读

课时11:位置损失计算

课时12:置信度误差与优缺点分析

课时13:V2版本细节升级概述

课时14:网络结构特点

课时15:架构细节解读

课时16:基于聚类来选择先验框尺寸

课时17:偏移量计算方法

课时18:坐标映射与还原

课时19:感受野的作用

课时20:特征融合改进

课时21:V3版本改进概述

课时22:多scale方法改进与特征融合

课时23:经典变换方法对比分析

课时24:残差连接方法解读

课时25:整体网络模型架构分析

课时26:先验框设计改进

课时27:sotfmax层改进

课时28:数据与环境配置

课时29:训练参数设置

课时30:COCO数据与标签读取

课时31:标签文件读取与处理

课时32:debug模式介绍

课时33:基于配置文件构建网络模型

课时34:路由层与shortcut层的作用

课时35:YOLO层定义解析

课时36:预测结果计算

课时37:网格偏移计算

课时38:模型要计算的损失

课时39:标签值格式修改

课时40:坐标相对位置计算

课时41:完成所有损失函数所需计算指标

课时42:模型训练与总结

课时43:预测效果展示

课时44:Labelme工具安装

课时45:数据信息标注

课时46:完成标签制作

课时47:生成模型所需配置文件

课时48:json格式转换成yolo-v3所需输入

课时49:完成输入数据准备工作

课时50:训练代码与参数配置更改

课时51:训练模型并测试效果

课时52:V4版本整体概述

课时53:V4版本贡献解读

课时54:数据增强策略分析

课时55:DropBlock与标签平滑方法

课时56:损失函数遇到的问题

课时57:CIOU损失函数定义

课时58:NMS细节改进

课时59:SPP与CSP网络结构

课时60:SAM注意力机制模块

课时61:PAN模块解读

课时62:激活函数与整体架构总结

课时63:整体项目概述

课时64:训练自己的数据集方法

课时65:训练数据参数配置

课时66:测试DEMO演示

课时67:数据源DEBUG流程解读

课时68:图像数据源配置

课时69:加载标签数据

课时70:Mosaic数据增强方法

课时71:数据四合一方法与流程演示

课时72:getItem构建batch

课时73:网络架构图可视化工具安装

课时74:V5网络配置文件解读

课时75:Focus模块流程分析

课时76:完成配置文件解析任务

课时77:前向传播计算

课时78:BottleneckCSP层计算方法

课时79:SPP层计算细节分析