鐵人檔案
1. 前言：此系列文章，乃「影像處理與物件偵測」之學習筆記與實作分享。
2. 目標：
2.1 分享常用的物件偵測模型，與如何應用在自定義資料集。
2.2 藉由專案實作，探討不同物件偵測模型之影像辨識的成效。
3. 想念去年參賽「甜蜜的」沉澱過程，我又來了。
內容 模型架構 1.1 Backbone選擇 CSPResNeXt50 ResNeXt：ResNet參考Inception結構(split-tran...
內容 來源 1.1 簡介：提出一套高效的模型縮放方法，針對不同的應用情境(Low-End、General、High-End GPU)，對YOLOv4進行優化...
內容 導論 1.1 物件偵測應用情境：針對不同的運算設備，分別設計多個的模型。 通用GPU Low-End GPU(嵌入式運算)或CPU Hight-En...
內容 來源 1.1 簡介：YOLOR結合explicit knowledge與implicit knowledge概念，使模型學習通用表徵，可以適用於多種任...
論文詳讀 導論 1.1 顯式與隱式知識 人類 正常學習知識：藉由視覺、聽覺、觸覺等感知器認知世界。 潛意識學習知識：過去的經驗總結。 應用：正常學習知識...
內容 來源 1.1 簡介：YOLOX引入了anchor-free與SimOTA的概念，優化YOLOv3-spp。 1.2 時程：於2021年7月提出論文。...
內容 YOLOv3優化：YOLOX-Darknet53 1.1 架構 Backbone：YOLOX-Darknet53 Darknet19為YOLOv...
內容 來源 1.1 簡介：YOLOv7提出「標籤分配策略」、「模型縮放與擴展」，降低參數量與FLOPs，獲得超越現有實時物件偵測模型的推論速度及準確率。 1...
內容 導論 1.1 物件偵測現況：應用在多物件追蹤、自動駕駛等，通常執行的設備會是移動端CPU、GPU或是NPU。 CPU實時檢測：基於MobileNet...
環境安裝 開啟Pycharm新專案： 1.1 點擊New Project開啟新專案 1.2 點擊New enviroment using，選擇Vitual...
