所属分类：车载智能与自动驾驶 当前为单品课程，可返回上一级继续浏览同方向资料。
← 返回上一级
← 返回所属目录 咨询 / 购买

YOLO系列在自动驾驶中的部署与优化实战

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论
自动驾驶视觉感知的挑战 · YOLO系列演进史 · 课程目标与学习路径
课程导论自动驾驶视觉感知…
02
环境搭建与工具链
Ubuntu/Docker · CUDA/cuDNN · PyTorch/TensorRT
环境搭建工具链
03
YOLO核心原理回顾
从YOLOv1到YOLOv8的架构演… · 关键改进（anchor-free · CSP
YOLO核心原理回顾
04
自动驾驶数据集与标注
KITTI · BDD100K · Waymo Open Dataset…
自动驾驶数据集标注
05
YOLO模型选型
不同YOLO版本在精度 · 速度 · 内存占用上的对比
YOLO模型选型
06
模型训练实战
基于自定义自动驾驶数据集训练YOLO… · 训练超参数调优与迁移学习
模型训练实战YOLO
07
模型评估与验证
mAP · FPS · 延迟
模型评估验证
08
模型剪枝与量化
结构化剪枝 · 通道剪枝 · INT8/FP16量化原理及在YOL…
模型剪枝量化
09
知识蒸馏
教师-学生网络 · YOLO蒸馏技巧 · 在保持精度下压缩模型
知识蒸馏教师
10
TensorRT部署基础
TensorRT工作流程 · ONNX导出 · engine构建
TensorRT部署基础
11
TensorRT优化实战
层融合 · 精度校准 · 多流推理
TensorRT优化实战
12
边缘计算平台部署
Jetson Orin/NX · Raspberry Pi等嵌入式平台…
边缘计算平台部署Jetson
13
模型转换与兼容性
PyTorch→ONNX→Tenso… · 常见坑与解决方案
模型转换兼容性
14
自动驾驶多任务融合
YOLO与车道线检测 · 深度估计 · 目标跟踪的协同部署
自动驾驶多任务融…YOLO
15
实时目标跟踪
基于YOLO检测的DeepSORT/… · 多目标跟踪实战
实时目标跟踪YOLO
16
传感器融合
相机与LiDAR/Radar融合 · YOLO在融合框架中的角色与数据对齐
传感器融合LiDAR/Radar
17
模型鲁棒性提升
对抗攻击 · 恶劣天气（雨雾） · 光照变化下的YOLO增强与测试
模型鲁棒性提升对抗攻击
18
模型部署中的内存与功耗优化
内存池 · 算子优化 · 低功耗模式
模型部署内存
19
端到端部署案例
从训练到部署的完整流水线 · 以车辆检测为例逐步实现
端到端部署案例从训练到部署的完…
20
自动驾驶中的YOLO轻量化
MobileNet · ShuffleNet等backbon… · 轻量YOLO设计
YOLO自动驾驶
21
模型加速硬件特性
GPU · NPU · FPGA的架构差异
模型加速硬件特性GPU
22
模型版本迭代与回滚
模型管理 · A/B测试 · OTA更新策略在自动驾驶中的应用
模型版本迭代回滚
23
安全性与可靠性
功能安全（ISO 26262） · 冗余设计 · 模型失效检测与降级策略
安全性可靠性
24
实战
交通标志检测与识别 · 数据增强与部署优化
交通标志检测识别
25
实战
行人检测与避障：行人检测模型训练 · 部署 · 与车辆控制联动
行人检测避障
26
实战
红绿灯检测与状态识别 · 结合分类网络识别状态
红绿灯检测状态识别
27
实战
可行驶区域分割与目标检测联合 · 资源分配优化
可行驶区域分割目标检测联合
28
性能调优工具与Profiling
Nsight · TensorRT Profiler · Perfetto等工具的使用与瓶颈分…
Profiling性能调优工具
29
常见问题与解决方案
部署中遇到的精度下降 · 延迟抖动 · 内存溢出等问题的排查与修复
常见问题解决方案
30
综合项目实战与未来展望
构建一个完整的自动驾驶感知系统 · 总结优化经验 · 探讨YOLO与Transformer…
综合项目实战未来展望