博客文章
YOLO 系列
YOLO
YOLO 系列学习路线:从环境搭建到项目落地的内容导航
围绕数据准备、模型训练、推理部署和常见踩坑点,整理一份适合长期回看的 YOLO 学习路线与资料入口。
聚焦人工智能应用、视觉检测、Flask 工程、Ubuntu 部署与技术资料沉淀的个人技术资源站。
显示 1-9 / 9 条, 第 1 / 1 页,按最近更新时间排序
围绕数据准备、模型训练、推理部署和常见踩坑点,整理一份适合长期回看的 YOLO 学习路线与资料入口。
通过一条完整训练链路演示数据组织、训练参数设置、结果查看和日志记录方式,便于快速建立实操节奏。
从标注文件导出、类别映射、目录规范到训练前校验,整理一套更适合检测项目的数据集准备流程。
收录目标检测项目常用的数据清洗脚本,包括重命名、空标注检查、格式互转和批量压缩等实用片段。
覆盖驱动确认、CUDA 安装、cuDNN 配置、PyTorch 安装和 GPU 检测步骤,形成一套可重复执行的环境方案。
记录检测模型接入跟踪模块时的流程拆分、配置关注点和结果可视化方法,适合做项目复盘参考。
从模型导出、精度检查、TensorRT 构建到推理对比,整理一条更贴近落地场景的部署路径。
收集模型导出、推理验证、日志记录和目录标准化的脚本片段,用于整理更加稳定的部署工程目录。
从不同模型的精度、速度、显存占用与实际场景适配出发,讲解如何更有条理地做模型对比。