YOLO-Master通过动态计算机制革新实时目标检测，解决了传统YOLO模型静态计算的效率问题。其核心创新ES-MoE模块能根据场景复杂度智能分配计算资源：轻量级路由网络选择最相关的少数专家处理输入，其余专家保持休眠。实验表明，该方法在MSCOCO等数据集上实现精度提升（最高+2.1%）的同时降低延迟17.8%，且适用于分类、分割等任务。关键设计包括：将动态模块前置到Backbone、Top-2

paper:https://arxiv.org/abs/2107.08430code:https://github.com/Megvii-BaseDetection/YOLOX本文是旷视科技在目标检测方面的最新技术总结，同时也是CVPR2021自动驾驶竞赛冠军方案的技术总结。本文将近两年来目标检测领域的各个角度的优秀进展与YOLO进行了巧妙地集成组合(比如解耦头、数据增广、标签分配、Anchor-

1 张量1.1 PyTorch是什么?pytorch是基于Python的科学计算包，服务于以下两种场景:作为NumPy的替代品，可以使用GPU的强大计算能力提供最大的灵活性和高速的深度学习研究平台1.2Tensors（张量）Tensors与Numpy中的 ndarrays类似，但是在PyTorch中 Tensors 可以使用GPU进行计算.from __future__ import print_

1 张量1.1 PyTorch是什么?pytorch是基于Python的科学计算包，服务于以下两种场景:作为NumPy的替代品，可以使用GPU的强大计算能力提供最大的灵活性和高速的深度学习研究平台1.2Tensors（张量）Tensors与Numpy中的 ndarrays类似，但是在PyTorch中 Tensors 可以使用GPU进行计算.from __future__ import print_

在前几天，我就已经介绍了YOLOV1目标检测的原理，后来也把tensorflow实现代码仔细看了一遍，于是就把源码解析一下。关于yolo目标检测的原理请参考前面一篇文章：目标检测之深入理解YOLOV1。...

利用多层卷积神经网络（CNN）特征的互补优势进行图像检索本文原网址为：http://www.sciencedirect.com/science/article/pii/S0925231216314734翻译不当之处请多多指正摘要：深度卷积神经网络已经证明了图像分类的突破精度。从CNN学到的一系列特征提取器已经用于其他计算机视觉任务。然而，CNN不同层次的特征旨在编码不同层次的信息。

最近在研究windows系统上部署安装目标检测算法，需要用到OpenCV软件，因为OpenCV可能是目前使用最广泛的开源图像处理工具了，尤其是在科研领域。于是，本篇博客主要详细记录一下如何在Windows 操作系统下，搭建Visual Studio 2022+OpenCV4.5.5+OpenCV contrib4.5.5的运行环境。安装Visual Studio比较简单，首先去Visual Stu

paper:https://arxiv.org/abs/2107.08430code:https://github.com/Megvii-BaseDetection/YOLOX本文是旷视科技在目标检测方面的最新技术总结，同时也是CVPR2021自动驾驶竞赛冠军方案的技术总结。本文将近两年来目标检测领域的各个角度的优秀进展与YOLO进行了巧妙地集成组合(比如解耦头、数据增广、标签分配、Anchor-

本教程主要是利用YOLOv5算法实现对输电线路绝缘子缺陷进行检测识别。通过无人机搭载相机头云台对输电线路上的绝缘子进行数据采集，挑选出绝缘子上有故障的图片数据，共2000张左右图片，输电线路绝缘子缺陷数据集中的部分图片如下图所示。​​对收集到的2000张左右绝缘子缺陷数据集进行数据标注， 标注了3种常见的绝缘子缺陷类型：insulator、damaged、Flashover，利用LabelImg标

如下图所示，人、大巴为检测目标，既要检测出所有人和大巴的位置，也要检测出包围人和大巴的最小矩形框，同时还要识别出哪个矩形框内是人，哪个矩形框内是大巴。