OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 车辆检测器 这是一个交通监控系统的项目。 使用OpenCV和YOLOv8实现如下功能，实时车辆检测、车辆跟踪、实时车速检测，以及检测车辆是否超速。 跟踪代码如下，赋予每个目标唯一ID，避免重复计算。 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆检测跟踪 OpenCV和YOLOv8实时车速检测+车辆

利用ViT模型实现图像分类，本项目具有强大的泛化能力，可以实现任何图像分类任务，只需要修改数据集和类别数目参数。这里采用的是开源的“猫狗大战”数据集，实现猫狗分类。 本项目适用于Transformer初学者，通过该实践项目可以对于ViT模型的原理和结构有清晰地认识，并且可以学会在具体项目中如何运用ViT模型。本项目代码逻辑结构清晰，通俗易懂，适用于任何基础的学习者，是入门深度学习和了解Transformer注意力机制在计算机视觉中运用的绝佳项目。

CNN的成功依赖于其两个固有的归纳偏置，即平移不变性和局部相关性，而视觉Transformer结构通常缺少这种特性，导致通常需要大量数据才能超越CNN的表现，CNN在小数据集上的表现通常比纯Transformer结构要好。 CNN感受野有限导致很难捕获全局信息，而Transformer可以捕获长距离依赖关系，因此ViT出现之后有许多工作尝试将CNN和Transformer结合，使得网络结构能够继承CNN和Transformer的优点，并且最大程度保留全局和局部特征。 Transformer是一种基于注意力的编码器-解码器结构，最初应用于自然语言处理领域，一些研究最近尝试将Transformer应用到计算机视觉领域。 在Transformer应用到视觉之前，卷积神经网络是主要研究内容。受到自注意力在NLP领域的影响，一些基于CNN的结构尝试通过加入自注意力层捕获长距离依赖关系，也有另外一些工作直接尝试用自注意力模块替代卷积，但是纯注意力模块结构仍然没有最先进的CNN结构表现好。

毕业设计 这是我使用“深度学习”的学士学位毕业项目的仓库。

目前，基于深度学习的目标检测方法主要有两大分支，分别是基于区域提取的两阶段目标检测模型和直接进行位置回归的一阶段目标检测模型。 故本项目通过采用深度学习方法实现对吸烟行为的目标检测，使用python语言搭建YOLO算法实现对吸烟行为的实时监测。 YOLO算法将整幅图像分为了多个网格单元，对每个网格中心目标进行检测，该算法不用生成候选区域，在一个卷积网络中就可以完成特征提取、分类回归等任务，检测过程得到了简化，检测速度也变得更快，但该算法对于小尺度目标的检测不够准确，如果图像中存在重叠遮挡等现象就可能出现遗漏。

yolov5源码阅读 1.代码结构阅读 2.代码功能阅读 3.代码细节的思考与修改 4.代码实现功能验证

百度网盘AI大赛表格结构检测第七名模型+预测文件 使用轻量级卷积模型LCNet+LCPAN+PicroHead进行训练 目前排名为第七名，后续将继续更新和优化参数。

这是 ShowMeAI 持续分享的『随书代码』系列，文件是《ML Recipe》的随书代码。 ◉ 简介：原书包含自然语言处理、图像与文字、计算机视觉三个部分，具有相当的专业深度，对于学习者和有一定经验的从业者都是适用的，对于建立深度学习模型并解决实际任务来说，都是有帮助的。 ◉ 目录： Natural language processing / 自然语言处理 - Named entity recognition / 命名实体识别 - Masked language modeling / 掩码语言建模 - Machine translation / 机器翻译 - Causal language modeling / 概率语言建模 Image & Text / 图像与文字 - Image captioning / 看图说话 Computer vision / 计算机视觉 - Image classification / 图像分类 - Image segmentation / 图像分割 - Object detection / 目标检测

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『机器学习』主题（其他部分的下载链接见评论区），包含以下部分： - Loss Functions & Metrics （损失函数 & 矩阵） - Experimental Designs and Paradigms （实验设计与范式） - Statistical Data Processing （统计数据处理） - Misc. Classical ML Models （经典的ML模型）

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『计算机视觉和深度学习精选专题』主题（其他部分的下载链接见评论区），包含以下部分： Object Detection / Segmentation（目标检测，目标分割） Generative Modeling: GANS and VAEs（生成模型） Data Imbalance（数据不平衡） Few-Shot Learning Explainable AI（可解释人工智能） Security / Adversarial Attacks Efficient Deep Learning（高效深度学习） 3D Deep Learning（3D深度学习） Full Stack Deep Learning（全栈深度学习） Machine Learning Implementation（机器学习实现）