《人工智能-机器学习-深度学习-目标检测》专栏目录 & Python与PyTorch | 机器学习 | 深度学习 | 目标检测

本文链接：https://blog.csdn.net/weixin_44302770/article/details/142028827

专栏会持续更新，预计100+篇文章

专栏介绍：

1.专栏详情介绍：

全流程的专栏内容带你一起走进人工智能，本专栏只讲会用到的知识点与工具，实用性会贯穿整个专栏。本专栏以YOLOv5及其改进为主线，我们会详细的介绍以下内容：

前期所要具备的基础知识与工具使用，如下：

具体包括环境搭建(包括GPU) | 代码调试技巧 | 连接使用服务器 | Python与Pytorch有关 | 机器学习(线性回归 | 决策树 | 逻辑回归 | 梯度下降 | 支持向量机 | 集成学习 | 朴素贝叶斯等) | PyCharm-VSCode-Anaconda-AutoDL与恒源云云服务器-Roboflow-labelimg等 | 走进神经网络 | 深度神经网络DNN | 卷积神经网络CNN | 区域卷积神经网络RNN | 目标检测 | 经典网络模型二十余种(LeNet-5 | AlexNet | ZFNet | VGGNet | GoogLeNet | ResNet | DenseNet | SeNet | MobileNet | ShuffleNet | RepVGG | MobileOne | FasterNet | R-CNN | SPPNet | Fast RNN | Faster RNN | R-FCN | SSD ) |

YOLOv5及其改进学习详细规划，我们分为五个阶段，如下：

第一个阶段：模型的原理与网络结构的详细解读，包括每个文件夹及其所包含的文件(初步了解)，以及每个函数的具体注释(初步了解)。
第二阶段：局部解析，我们会逐步剖析每个文件，并逐行注释解读。详解网络结构的构建过程。
第三阶段：代码的整体理解(结合上述的函数调用图)，整体调试与验证模型。
第四阶段：对评估指标与保存结果进行详细的解读。
第五阶段：对模型进行改进，包括添加或修改模块的详细解读以及具体实施步骤。具体包括：
添加注意力机制SE CBAM ECA CA SimAM S2-MLPv2 NAMAttention Criss-CrossAttention等| 更换激活函数SiLU，ReLU，ELU，Hardswish，Mish，Softplus，AconC等 | 更换backbone主干MobileNetV3，ShuffleNetV2，EfficientNetv2，GhostNet，SwinTransformer | 更换Neck之BiFPN，AFPN，BiFusion | 更换空间金字塔池化改进 SPP / SPPF / SimSPPF / ASPP / RFB / SPPCSPC / SPPFCSPC | 更换损失函数GIoU，DIoU，CIoU，EIoU，AlphaIoU，SIoU，WIoU | 更换NMS非极大抑制DIoU-NMS、CIoU-NMS、EIoU-NMS、GIoU-NMS 、SIoU-NMS、Soft-NMS | 更换Yolov8 C2f模块 | 引入RepVGG重参数化模块 | 增加小目标检测层 | 密集连接卷积网络DenseNet思想 | 更换减轻模型的复杂度同时提升精度GSConv+Slim-neck | 更换YOLOX解耦头 | 引入反向残差注意力模块iRMB | 在 C3 模块中添加 12 种注意力机制C3_SimAM, C3_CoT, C3_Double, C3_SK, C3_EffSE, C3_GatherE等 | 8种热力图可视化方式GradCAM XGradCAM ScoreCAM LayerCAM HiResCAM EigenCAM… | 更换Google的优化器Lion | 更换动态卷积之CondConv | 更换全维动态卷积OMNI |