一口气读懂：YOLO 在遥感影像里到底有多强？（从 v1 到 v12 全梳理）
Column of Computer Vision Institute。本文把 YOLO 从 2016 年诞生到 2025 年最新 v12，在复杂地理空间场景的进化、应用、痛点全扒透。
工程详细记录：超准确人脸检测(带关键点)YOLO5Face C++
作者丨DefTruth编辑丨极市平台1. YOLO5Face简介Github：https://github.com/deepcam-cn/yolov5-faceArXiv 2021：https://arxiv.org/abs/2105.
YOLOv7速度精度超越其他变体，大神AB发推，网友：还得是你
曾参与YOLO项目维护的大神Alexey Bochkovskiy在推特上声称:官方版YOLOv7比以下版本的精度和速度都要好。在论文中，团队详细对比了YOLOv7和其他变体的性能对比，并介绍v7版本的新变化。
YOLO界再起波澜！mAP 51.4，149FPS，目标检测，一个就够了
Chengjian Feng， Yujie Zhong， Yu Gao， Matthew R Scott， and Weilin Huang. Tood: Task-aligned one-stage object detection. In Proceedings of the IEEE/CVF International Conference on Computer Vision， pages 3510–3519， 2021. 3， 4。
基于Caffe格式部署YOLOV5模型
文章来源于GiantPandaCV ，作者willer【导语】本文为大家介绍了一个caffe部署yolov5 模型的教程，并开源了全部代码。
一文彻底搞懂如何利用kaggle训练yolov5模型
笔者的运行环境：python3.8+pytorch2.0.1+pycharm+kaggle。yolov5对python和pytorch版本是有要求的，python>=3.8，pytorch>=1.6。
基于python+opencv的Yolov5对象检测模型实现
上期文章，我们分享了如何使用pytorch来实现yolov5，本期我们利用oepncv来实现yolov5——1——转换yolov5模型到opencv识别模型由于 YOLOv5 的原生平台是 PyTorch，所以模型是.pt格式的。但是，OpenCV DNN 支持.
我用YOLOX露了一手，记录一下模型部署、优化及训练的实现全过程
实验环境:实验机器:1台PC:CPU: AMD Ryzen 7 1700X Eight-Core Processor， 内存: 32G， 显卡: 2张GeForce GTX 1080 Ti 11G。
YOLOv6：又快又准的目标检测框架开源啦
本框架同时专注于检测的精度和推理效率，在工业界常用的尺寸模型中:YOLOv6-nano 在 COCO 上精度可达 35.0% AP，在 T4 上推理速度可达 1242 FPS;
YOLOv5超详细的入门级教程（训练篇）——训练自己的数据集
作者 | Vanessa Ni来源 | https://blog.csdn.net/weixin_44145782/article/details/113983421编辑 | 极市平台数据集标注选择了一个检测鱼类的数据集，想要尝试自己去制作一个数据集。