YOLOv5深度实战：目标检测技术全景探索

YOLO系列是基于深度学习的端到端实时目标检测方法。PyTorch版的YOLOv5轻量而高性能，更加灵活和易用，当前非常流行。本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。本课程的YOLOv5使用ultralytics/yolov5，在Windows和Ubuntu系统上分别做项目

Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code.冗谈不够，放码过来！代码阅读是从基础到提高的必由之路。YOLOv5是最近推出的轻量且高性能的实时目标检测方法。YOLOv5使用PyTorch实现，含有很多业界前沿和常用的技巧，可以作为很好的代码阅读案例，让我们深入探究其实现原理，其中不少知识点的代码可以作为相关项目的借鉴。本课程

在无人驾驶中，交通标志识别是一项重要的任务。YOLOv5是目前流行的强悍的目标检测技术。本项目以中国交通标志数据集TT100K为训练对象，采用YOLOv5目标检测方法实现实时交通标志识别。本课程的YOLOv5使用PyTorch版的ultralytics/yolov5，分别在Windows和Ubuntu系统上做中国交通标志识别的项目演示。具体项目过程包括：安装软件环境、安装YOLOv5、TT100K

人脸口罩佩戴检测(识别)是当前急需的应用，而YOLOv5是目前流行的强悍的目标检测技术。本课程使用YOLOv5实现人脸口罩佩戴的实时检测。课程提供超万张已标注人脸口罩数据集。训练后的YOLOv5可对真实场景下人脸口罩佩戴进行高精度实时检测。本课程会讲述本项目超万张人脸口罩数据集的制作方法，包括使用labelImg和“精灵标注助手”标注工具以及使用Python代码对第三方数据集进行清洗。本课程的YO

垃圾分类是一项利国利民的民生工程，需要全社会的共同参与。YOLOv5是目前流行的强悍的目标检测技术。本项目采用YOLOv5实现垃圾分类目标检测。利用超万张已标注目标检测数据集进行训练，可对居民生活垃圾图片进行检测，找出图片中属于哪个类别的垃圾，并指示出在图片中的位置。本课程的YOLOv5使用PyTorch版的ultralytics/yolov5，分别在Windows和Ubuntu系统上进行垃圾分类

本课程使用YOLOv5和DeepSORT对视频中的行人、车辆做多目标跟踪和计数，开展YOLOv5目标检测器和DeepSORT多目标跟踪器方法强强联手的应用。课程分别在Windows和Ubuntu系统上做项目演示，并对DeepSORT原理和代码做详细解读（使用PyCharm单步调试讲解）。课程包括：基础篇、实践篇、原理篇和代码解析篇。Ÿ 基础篇包括多目标跟踪任务介绍、数据集和评估指标；Ÿ 实践篇包括

PyTorch版的YOLOv5是高性能的实时目标检测方法。Jetson Nano是英伟达含有GPU的人工智能硬件。本课程讲述如何部署YOLOv5在Jetson Nano开发板上。部署完成后可进行图像、视频文件和摄像头视频的实时目标检测。部署时将使用AI视频处理加速引擎TensorRT和DeepStream。课程内容包括：原理篇（DeepStream介绍、TensorRT介绍、 tensorrtx介

PyTorch版的YOLOv5是高性能的实时目标检测方法。TensorRT是针对英伟达GPU的加速工具。本课程讲述如何使用TensorRT对YOLOv5进行加速和部署。本课程的YOLOv5使用ultralytics/yolov5，分别在Ubuntu和windows10系统上做TensorRT加速和部署演示。课程内容包括：原理篇（YOLOv5网络架构与组件、TensorRT基础、TensorRT I

PyTorch版的YOLOv5是轻量而高性能的实时目标检测方法。利用YOLOv5训练完自己的数据集后，如何向大众展示并提供落地的服务呢？本课程将提供相应的解决方案，具体讲述如何使用Web应用程序框架Flask进行YOLOv5的Web应用部署。用户可通过客户端浏览器上传图片，经服务器处理后返回图片检测数据并在浏览器中绘制检测结果。本课程的YOLOv5使用ultralytics/yolov5，在Ubu

PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程讲述对YOLOv5更换Neck的改进方法，结合BiFPN或ASFF特征融合机制来提高其性能。本课程在YOLOv5 v6.1版本代码的基础上更换Neck，在Windows系统和Ubuntu系统上演示针对自己的数据集结合BiFPN或ASFF特征融合机制、重头训练和性能评估过程，并讲解BiFPN和ASFF特征融合原理以及针对结合BiFP

PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程讲述对YOLOv5添加注意力机制的方法，来提高其性能。本课程在YOLOv5 v6.1版本代码的基础上添加注意力机制，在Windows系统和Ubuntu系统上演示针对自己的数据集添加注意力机制、重头训练和性能评估过程，并讲解注意力机制模型原理以及针对添加注意力机制的代码修改部分。课程中对YOLOv5添加了如下的注意力机制：SE、CB

PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程讲述对YOLOv5进行更换骨干网（backbone）的方法，使其更加轻量或提高性能。本课程在YOLOv5 v6.1版本代码的基础上更换其骨干网，在Windows和Ubuntu系统上演示针对自己的数据集进行骨干网更换、重头训练和性能评估过程，并讲解骨干网网络模型原理以及原代码针对骨干网更换的修改部分。课程中使用和更换了如下的骨干网：

PyTorch版的YOLOv5是一个非常流行的基于深度学习的目标检测器。本课程使用Grad-CAM热力图可视化方法对YOLOv5进行热力图可视化，可直观展示图像中哪些区域对类别分类贡献程度大。Grad-CAM是一种CNN（卷积神经网络）可解释性的经典方法，与CAM（类激活图）相比，不需要对模型进行改动就可以生成热力图（heatmap），非常方便和灵活。本课程在YOLOv5 v6.1版本代码的基础上

PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程对YOLOv5进行知识蒸馏，来提升其性能。知识蒸馏（Knowledge Distillation）是模型压缩的一种常用的方法。它利用性能更好的大模型的监督信息，来训练一个轻量化小模型，使小模型达到更好的性能和精度。 最早是由Hinton首次提出并应用在分类任务上，这个大模型称之为教师模型，小模型称之为学生模型。来自教师模型输出的监

PyTorch版的YOLOv5是一个当前非常流行的目标检测器，本课程使用Network Slimming剪枝方法对YOLOv5进行网络剪枝，使其更加轻量和实用。Network Slimming是一种经典实用的模型压缩方法，可实现方便高效的通道级别的结构化剪枝。该方法通过利用BN（Batch Normalization）层中缩放因子较小的值来剪裁的相应通道，达到精简网络的目的。步骤包括：增加稀疏正则