目录

自我介绍

时间轴

收获

日常

成就

憧憬


自我介绍

希望您持续关注AI小怪兽的不断进化、打怪!!!

AI小怪兽:1)YOLO骨灰级玩家,YOLOv5、v7、v8优化创新,复现计算机视觉顶会,创新科研涨点小能手;2)就职于智能制造与数智创新企业,工业界项目落地、部署经验丰富,为半导体、3C等行业部署过几十个项目;

时间轴

第一篇基于YOLOv5的绝缘子检测,当初只是想简单记录一下,并没有想过在CSDN创作的想法

后续断断续续在CSDN更新过几篇(主要还是记录为主,项目级别实战为主)

2023年3月13日 正式在CSDN进行创作

收获

在创作的过程中都有哪些收获” />14000+粉丝,其中2600+铁粉(感谢各位的关注);

  • 共发表375篇博客,其中369篇发表于2023年;
  • 所有博客,算是一种积累、记录吧,在工作中AI小怪兽也会翻看自己的博客快速进行项目开展;
  • 认识了一些志同道合的好友,也拓展了自己的视野和认知;
  • 5.杭州原力榜第1名,全站原力榜第7名


    日常

    当前创作和你的工作、学习是如何的结合

    1. 创作已经是你生活的一部分了,模型的魔改在日常项目中取得精度的提升,也会第一时间发表在博客中;


    成就

    最近部署的项目举例展开? 请用代码块贴出来

    在某客户工业缺陷检测项目中,要求:1)GPU C++部署;2)检测准确度99%以上,单张推理耗时≤80ms,难点样本数量少,检测缺陷为小目标检测

    检测目标

    部署方案:多头检测器+大小缺陷一网打尽GiraffeDet+Wasserstein Distance Loss,助力工业缺陷检测,大幅提升产线检测能力

    layersparametersGFLOPsmAP50mAP50-95
    paperYOLOv8n16830058438.10.9360.772
    YOLOv8-goldYOLO359601512311.90.9450.787
    YOLOv8n_smallobject _CSPStage
    +Wasserstein loss
    303295339612.50.9550.811

    核心代码:

    # Ultralytics YOLO , GPL-3.0 license# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect# Parametersnc: 1# number of classesscales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'# [depth, width, max_channels]n: [0.33, 0.25, 1024]# YOLOv8n summary: 225 layers,3157200 parameters,3157184 gradients, 8.9 GFLOPss: [0.33, 0.50, 1024]# YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,28.8 GFLOPsm: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,79.3 GFLOPsl: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPsx: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs# YOLOv8.0s backbonebackbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]]# 0-P1/2- [-1, 1, Conv, [128, 3, 2]]# 1-P2/4- [-1, 3, C2f, [128, True]]- [-1, 1, Conv, [256, 3, 2]]# 3-P3/8- [-1, 6, C2f, [256, True]]- [-1, 1, Conv, [512, 3, 2]]# 5-P4/16- [-1, 6, C2f, [512, True]]- [-1, 1, Conv, [1024, 3, 2]]# 7-P5/32- [-1, 3, C2f, [1024, True]]- [-1, 1, SPPF, [1024, 5]]# 9 # YOLOv8.0s headhead:- [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 6], 1, Concat, [1]]# cat backbone P4- [-1, 3, CSPStage, [512]]# 13 - [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 4], 1, Concat, [1]]# cat backbone P3- [-1, 3, CSPStage, [256]]# 17 (P3/8-small) - [-1, 1, nn.Upsample, [None, 2, 'nearest']]- [[-1, 2], 1, Concat, [1]]# cat backbone P3- [-1, 3, CSPStage, [128]]# 20 (P4/16-medium) - [-1, 1, Conv, [256, 3, 2]]- [[-1, 15], 1, Concat, [1]]# cat head P4- [-1, 3, CSPStage, [256]]# 20 (P4/16-medium) - [-1, 1, Conv, [512, 3, 2]]- [[-1, 12], 1, Concat, [1]]# cat head P5- [-1, 3, CSPStage, [512]]# 23 (P5/32-large) - [-1, 1, Conv, [512, 3, 2]]- [[-1, 9], 1, Concat, [1]]# cat head P5- [-1, 3, CSPStage, [1024]]# 23 (P5/32-large) - [[18, 21, 24,27], 1, Detect, [nc]]# Detect(P3, P4, P5)

    详见:基于YOLOv8的端面小目标计数解决方案: 多头检测器+小缺陷到大缺陷一网打尽的GiraffeDet+Wasserstein Distance Loss | 助力工业小目标缺陷检测-CSDN博客

    憧憬

    希望您继续持续关注AI小怪兽的不断进化、打怪!!!

    会在CSDN持续创作,分享1)YOLOv5、v7、v8优化创新,复现计算机视觉顶会,创新科研;2)项目中实战经验和不同环境部署(主要是C++和C#);

    YOLOv5、v7、v8各个专栏会持续更新下去

    强烈推荐以下专栏:

    YOLOv5/YOLOv7魔术师:http://t.csdn.cn/ZjdwA

    YOLOv8魔术师:http://t.csdn.cn/cGMj2

    YOLOv7高阶自研http://t.csdnimg.cn/drage

    YOLOv5/YOLOv7/YOLOv8最新改进大作战:http://t.csdn.cn/ZkgsM

    YOLO小目标检测:http://t.csdn.cn/9VysZ

    Tips

    1. 您发布的文章将会展示至 里程碑专区 ,您也可以在 专区 内查看其他创作者的纪念日文章
    2. 优质的纪念文章将会获得神秘打赏哦