深度学习-物体检测项目实战

掌握物体检测核心算法YOLO与MaskRcnn实现方法

*   01 深度学习经典检测方法概述/

  *   01 检测任务中阶段的意义.mp4 06:21

  *   02 不同阶段算法优缺点分析.mp4 04:42

  *   03 IOU指标计算.mp4 05:09

  *   04 评估所需参数计算.mp4 10:00

  *   05 map指标计算.mp4 07:26

*   02 YOLO-V1整体思想与网络架构/

  *   01 YOLO算法整体思路解读.mp4 07:11

  *   02 检测算法要得到的结果.mp4 06:17

  *   03 整体网络架构解读.mp4 11:38

  *   04 位置损失计算.mp4 08:12

  *   05 置信度误差与优缺点分析.mp4 11:48

*   03 YOLO-V2改进细节详解/

  *   01 V2版本细节升级概述.mp4 05:42

  *   02 网络结构特点.mp4 06:02

  *   03 架构细节解读.mp4 06:52

  *   04 基于聚类来选择先验框尺寸.mp4 10:21

  *   05 偏移量计算方法.mp4 10:48

  *   06 坐标映射与还原.mp4 03:36

  *   07 感受野的作用.mp4 11:06

  *   08 特征融合改进.mp4 07:55

*   04 YOLO-V3核心网络模型/

  *   01 V3版本改进概述.mp4 08:18

  *   02 多scale方法改进与特征融合.mp4 07:37

  *   03 经典变换方法对比分析.mp4 04:55

  *   04 残差连接方法解读.mp4 07:45

  *   05 整体网络模型架构分析.mp4 05:00

  *   06 先验框设计改进.mp4 05:24

  *   07 sotfmax层改进.mp4 04:24

*   05 项目实战-基于V3版本进行源码解读/

  *   01 1-数据与环境配置.mp4 12:42

  *   02 2-训练参数设置.mp4 04:48

  *   03 3-数据与标签读取.mp4 08:41

  *   04 4-标签文件读取与处理.mp4 05:51

  *   05 5-debug模式介绍.mp4 04:27

  *   06 6-基于配置文件构建网络模型.mp4 07:23

  *   07 7-路由层与shortcut层的作用.mp4 07:24

  *   08 8-YOLO层定义解析.mp4 09:52

  *   09 9-预测结果计算.mp4 10:50

  *   10 10-网格偏移计算.mp4 08:13

  *   11 11-模型要计算的损失概述.mp4 06:34

  *   12 12-标签值格式修改.mp4 06:55

  *   13 13-坐标相对位置计算.mp4 08:25

  *   14 14-完成所有损失函数所需计算指标.mp4 08:56

  *   15 15-模型训练与总结.mp4 14:03

  *   16 16-预测效果展示.mp4 06:13

*   06 基于YOLO-V3训练自己的数据与任务/

  *   01 1-Labelme工具安装.mp4 04:09

  *   02 2-数据信息标注.mp4 04:54

  *   03 3-完成标签制作.mp4 06:08

  *   04 4-生成模型所需配置文件.mp4 08:18

  *   05 5-json格式转换成yolo-v3所需输入.mp4 06:14

  *   06 6-完成输入数据准备工作.mp4 08:45

  *   07 7-训练代码与参数配置更改.mp4 10:29

  *   08 8-训练模型并测试效果.mp4 07:07

*   07 物体检测框架-MaskRcnn项目介绍与配置/

  *   01 Mask-Rcnn开源项目简介.mp4 08:55

  *   02 开源项目数据集.mp4 05:39

  *   03 参数配置.mp4 12:06

*   08 MaskRcnn网络框架源码详解/

  *   01 1-FPN层特征提取原理解读.mp4 13:17

  *   02 2-FPN网络架构实现解读.mp4 11:57

  *   03 3-生成框比例设置.mp4 07:34

  *   04 4-基于不同尺度特征图生成所有框.mp4 08:24

  *   05 5-RPN层的作用与实现解读.mp4 09:31

  *   06 6-候选框过滤方法.mp4 05:45

  *   07 7-Proposal层实现方法.mp4 08:15

  *   08 8-DetectionTarget层的作用.mp4 07:52

  *   09 9-正负样本选择与标签定义.mp4 05:33

  *   10 10-RoiPooling层的作用与目的.mp4 09:55

  *   11 11-RorAlign操作的效果.mp4 07:21

  *   12 整体框架回顾.mp4 09:14

*   09 基于MASK-RCNN框架训练自己的数据与任务/

  *   01 1-Labelme工具安装.mp4 04:09

  *   02 2-使用labelme进行数据与标签标注.mp4 09:03

  *   03 3-完成训练数据准备工作.mp4 09:18

  *   04 4-maskrcnn源码修改方法.mp4 10:46

  *   05 5-基于标注数据训练所需任务.mp4 07:10

  *   06 6-测试与展示模块.mp4 06:24

*   10 练手小项目-人体姿态识别demo/

  *   01 1-COCO数据集与人体姿态识别简介.mp4 07:46

  *   02 2-网络架构概述.mp4 06:37

  *   03 3-流程与结果演示.mp4 07:14

*   11 作业练习/

  *   01 作业练习

*   12 更新-YOLOV4版本算法/

  *   01 1-V4版本整体概述.mp4 06:03

  *   02 2-V4版本贡献解读.mp4 04:35

  *   03 3-数据增强策略分析.mp4 08:59

  *   04 4-DropBlock与标签平滑方法.mp4 08:19

  *   05 5-损失函数遇到的问题.mp4 06:45

  *   06 6-CIOU损失函数定义.mp4 04:45

  *   07 7-NMS细节改进.mp4 05:38

  *   08 8-SPP与CSP网络结构.mp4 06:49

  *   09 9-SAM注意力机制模块.mp4 08:59

  *   10 10-PAN模块解读.mp4 08:41

  *   11 11-激活函数与整体架构总结.mp4 08:17

*   13 更新-YOLOV5版本配置/

  *   01 1-整体项目概述.mp4 06:35

  *   02 2-训练自己的数据集方法.mp4 07:27

  *   03 3-训练数据参数配置.mp4 08:20

  *   04 4-测试DEMO演示.mp4 06:48

*   14 更新-YOLOV5版本源码解读/

  *   01 1-数据源DEBUG流程解读.mp4 06:43

  *   02 2-图像数据源配置.mp4 09:08

  *   03 3-加载标签数据.mp4 06:03

  *   04 4-Mosaic数据增强方法.mp4 07:11

  *   05 5-数据四合一方法与流程演示.mp4 11:00

  *   06 6-getItem构建batch.mp4 08:29

  *   07 7-网络架构图可视化工具安装.mp4 07:37

  *   08 8-V5网络配置文件解读.mp4 08:42

  *   09 9-Focus模块流程分析.mp4 06:25

  *   10 10-完成配置文件解析任务.mp4 11:15

  *   11 11-前向传播计算.mp4 06:22

  *   12 12-BottleneckCSP层计算方法.mp4 07:15

  *   13 13-SPP层计算细节分析.mp4 07:59

  *   14 13-Head层流程解读.mp4 07:21

  *   15 14-上采样与拼接操作.mp4 04:26

  *   16 15-输出结果分析.mp4 06:18

  *   17 16-超参数解读.mp4 06:44

  *   18 17-命令行参数介绍.mp4 06:02

  *   19 18-训练流程解读.mp4 10:10

  *   20 19-各种训练策略概述.mp4 08:55

  *   21 20-模型迭代过程.mp4 07:11