上文我们提到然而这个策略内容并没有细讲。这里展开学习一下。TaskAlignedAssigner 又称为对齐分类器，在YOLOv8中是一种动态的正样本分配策略。主要用于解决目标检测中正样本分配的优化问题。其匹配策略简单来说就是：根据所有像素点预测的分类与回归的分数通过加权的方式得到的分数选择正样本。

这是关键点检测的第七课，主要学习ultralytics的关键点检测的head部分，学习源码，并自己实现。

这是关键点检测的第六课，主要学习ultralytics的关键点检测的neck部分，学习源码，并自己实现

本文是关键点检测的第四课，先从单阶段的yolo开始，要使用就要先安装，但是安装出现了新的知识点，就补充一下。

这是关键点检测的第五课，主要学习ultralytics的关键点检测的backbone，学习源码，并自己实现

我们知道yolov8在流行的yolov5的架构上进行了扩展。在多个方面提供了改进。看出，YOLOv8 主要参考了最近提出的诸如 YOLOX、YOLOv6、YOLOv7 和 PPYOLOE 等算法的相关设计，本身的创新点不多，偏向工程实践，主推的还是 ultralytics 这个框架本身。but anyway，我们还是学习一下这个集大成者。

COCO-Pose 数据集是 COCO（Common Objects in Context）数据集的专门版本，专为姿势估计任务而设计。它利用 COCO Keypoints 2017 图像和标签来训练 YOLO 等模型以完成姿势估计任务，该数据集包含20万张标有姿势估计任务关键点的图像。并且支持17个人体关键点，便于进行详细的姿势估计。与COCO一样，COCO-Pose提供了标准化的评估指标，包括姿

目前目标检测系列分为基于卷积神经网络（CNN）系列和基于transformer方法系列。对于卷积系列我个人也学习了很多，而对于基于transformer系列的也开始在了解。所以我打算起一个专栏，专门对自己知识的盲区进行扫盲。所以这个系列的文章，也是想到什么总结什么。最近在使用C++复现DEIM的代码。同时也是了解到Hungarian Matching算法。这一篇就从匈牙利匹配开始吧。注意我这里只介

我们知道yolov8在流行的yolov5的架构上进行了扩展。在多个方面提供了改进。看出，YOLOv8 主要参考了最近提出的诸如 YOLOX、YOLOv6、YOLOv7 和 PPYOLOE 等算法的相关设计，本身的创新点不多，偏向工程实践，主推的还是 ultralytics 这个框架本身。but anyway，我们还是学习一下这个集大成者。

COCO-Pose 数据集是 COCO（Common Objects in Context）数据集的专门版本，专为姿势估计任务而设计。它利用 COCO Keypoints 2017 图像和标签来训练 YOLO 等模型以完成姿势估计任务，该数据集包含20万张标有姿势估计任务关键点的图像。并且支持17个人体关键点，便于进行详细的姿势估计。与COCO一样，COCO-Pose提供了标准化的评估指标，包括姿