本篇主要用于说明如何使用自己的训练数据，快速在YOLOV8 框架上进行训练。当前（20230116）官方文档和网上的资源主要都是在开源的数据集上进行测试，对于算法“小白”或者“老鸟”如何快速应用到自己的项目中，这个单纯看官方文档显得有点凌乱，因为YOLOV8 不再致力于做一个单纯算法，而是想要做一个一统（分类、检测、分割且多种模型）的框架。本文以检测为例。

在mac M1 M2上配置Python 深度学习开发环境（pycharm、openCV、pytorch）

一、定义1、以物体检测领域的通用数据集COCO物体定义为例，小目标是指小于32×32个像素点（中物体是指32*32-96*96，大物体是指大于96*96）。2、在实际应用场景中，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标。二、难点coco上面：1、包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的

1、主要贡献网上对YOLOV5是否称得上V5都有异议，可见其并没有算法上的重大创新，主要是多种trick的集成，并且开源了一套快速训练、部署的方案。2、主要思路主体流程和V3类似，三分分支预测，如下：3、具体细节1）input主要使用如下trick：Mosaic数据增强、自适应锚框计算、自适应图片缩放。下面分别叙述a.Mosaic数据增强Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随

声明：基本参考搬运自https://zhuanlan.zhihu.com/p/33544892，该博客写的详略得当，重点突出。本文仅做格式整理，自己留存备份。其中也有些许自己添加的理解和图片。1、主要贡献SSD在Yolo的基础上主要改进了三点：多尺度特征图，利用卷积进行检测，设置先验框。这使得SSD在准确度上比Yolo更好，而且对于小目标检测效果也相对好一点。2、主要思路如上图第一个图，对比YOL

本文主要介绍了YOLOV9 算法的原理，并结合官方git 源码和其他人员的一些issue，更深层的尝试去探讨论文具体实现时的一些疑问。

主要记录使用NVIDIA GPU + pytorch + 检测系列模型的快速使用方式(包括：训练、测试、导出、量化)，可以快速解决一些工业应用的问题，比如：无网、数据大需要改路径、需要记录不同实验结果等问题。

yolov6 特性解读和完整的网络结构可视化。

1、主要贡献网上对YOLOV5是否称得上V5都有异议，可见其并没有算法上的重大创新，主要是多种trick的集成，并且开源了一套快速训练、部署的方案。2、主要思路主体流程和V3类似，三分分支预测，如下：3、具体细节1）input主要使用如下trick：Mosaic数据增强、自适应锚框计算、自适应图片缩放。下面分别叙述a.Mosaic数据增强Mosaic数据增强则采用了4张图片，随机缩放、随机裁剪、随

其实到了YOLOV5 基本创新点就不太多了，主要就是大家互相排列组合复用不同的网络模块、损失函数和样本匹配策略,V11支持多种视觉任务：物体检测、实例分割、图像分类、姿态估计和定向物体检测（OBB）。对比YOLOV8主要涉及到：*backbone 中的使用C2f模块 变为 c3k2 模块。*backbone 中的最后一层（sppf层）后增加了C2PSA模块。*head 解耦头中的分类检测头两个Co