首页
›
AI视觉与工业视觉
›
032-YOLO目标检测
›
《YOLO车辆行人检测工程实战》
VIP20
本课程属于:032-YOLO目标检测
AI视觉与工业视觉 · 共 20 门相关课程,组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录
咨询 / 购买
YOLO车辆行人检测工程实战
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
YOLO初识
目标检测发展史 · YOLO系列演进 · YOLOv8核心优势
YOLO
初识
02
环境搭建
Ubuntu系统配置 · CUDA与cuDNN安装 · PyTorch环境配置
环境搭建
Ubuntu
03
数据集准备
车辆行人数据集介绍 · 公开数据集下载(BDD100K/Ci… · 数据集目录结构解析
数据集准备
车辆行人数据集介…
04
数据标注
LabelImg安装与使用 · 标注规范与技巧 · 标注格式转换(VOC转YOLO)
数据标注
LabelImg
05
配置文件解析
YOLOv8配置文件结构 · 模型参数详解 · 数据配置文件修改
配置文件解析
YOLOv8
06
模型训练实战
训练命令详解 · 训练过程监控 · 损失曲线分析
模型训练实战
训练命令详解
07
训练结果分析
混淆矩阵解读 · PR曲线分析 · mAP指标详解
训练结果分析
混淆矩阵解读
08
模型推理
推理API使用 · 批量推理实现 · 推理速度优化
模型推理
API
09
模型导出
ONNX导出 · TensorRT导出 · OpenVINO导出
模型导出
ONNX
10
ONNX推理部署
ONNX Runtime安装 · ONNX模型加载 · 推理代码实现
ONNX
推理部署
11
TensorRT加速
TensorRT安装配置 · 模型转换 · 动态batch支持
TensorRT
加速
12
OpenVINO部署
OpenVINO安装 · 模型优化 · 推理引擎使用
OpenVINO
部署
13
NMS算法详解
NMS原理 · Soft-NMS · DIoU-NMS
NMS
算法详解
14
损失函数解析
分类损失 · 回归损失 · DFL损失
损失函数解析
分类损失
15
数据增强策略
Mosaic增强 · MixUp增强 · HSV增强
数据增强策略
Mosaic
16
模型结构详解
Backbone设计 · Neck结构 · Head设计
模型结构详解
Backbone
17
Anchor机制
Anchor-Free原理 · TaskAlignedAssigne… · 动态标签分配
Anchor
机制
18
多尺度训练
图像金字塔 · 多尺度训练策略 · 测试时增强(TTA)
多尺度训练
图像金字塔
19
模型剪枝
通道剪枝原理 · 稀疏化训练 · 剪枝实现
模型剪枝
通道剪枝原理
20
知识蒸馏
蒸馏原理 · 教师模型选择 · 蒸馏损失设计
知识蒸馏
蒸馏原理
21
车辆检测专项
车辆检测难点 · 小目标检测优化 · 遮挡处理
车辆检测专项
车辆检测难点
22
行人检测专项
行人检测挑战 · 密集场景处理 · 姿态变化应对
行人检测专项
行人检测挑战
23
多目标跟踪
DeepSORT原理 · ReID特征提取 · 轨迹管理
多目标跟踪
DeepSORT
24
视频流处理
视频读取 · 帧处理流水线 · 实时显示
视频流处理
视频读取
25
Web端部署
Flask后端搭建 · 前端展示 · API设计
Web
端部署
26
边缘端部署
Jetson Nano配置 · 模型优化 · 功耗优化
边缘端部署
Jetson
27
性能优化
推理加速技巧 · 内存优化 · 多线程处理
性能优化
推理加速技巧
28
模型评估
评估指标详解 · 评估脚本编写 · 不同场景评估
模型评估
评估指标详解
29
工程化实践
项目结构设计 · 日志系统 · 配置管理
工程化实践
项目结构设计
30
综合项目实战
智能交通监控系统 · 完整流程实现 · 性能调优
综合项目实战
智能交通监控系统
所属VIP或分类
同VIP:OpenCV-DNN调用YOLO目标检测开发实战
同VIP:YOLO-Anchor聚类设计与检测框调优实战
同VIP:YOLO-NMS后处理与检测结果优化实战