YOLO视觉检测应用标注篇（二）
这一篇我们插播一下SAM2，但事实上也是为了实现标注。 SAM2Segment Anything Model 2SAM2是Meta在SAM后面的第二代产品。主要增加了对视频的支持。SAM2官网 为什么要使用SAM2SAM2主要用于图形分割。也就是说，能够识别物体。因此将其用于YOLO图像的标注，会起到事半功倍的效果。本篇简单介绍SAM2是为了实现SAM2模型下的YOLO图像半自动标注。 安装根据官
YOLO视觉检测应用标注篇（一）
标注 Label本篇将简要介绍几个用于Yolo标注的工具：Labelme、Labelimg、Label Studio。后续将介绍基于SAM2的半自动标注以及全自动标注的实现。 Labelmelabelme的Github主页 安装Labelme可以参考官方Guide最简单使用pip安装(使用了PyQT5) 1pip install labelme 或者下载单独exe文件下载地址 使用Label
YOLO视觉检测应用入门篇 （CUDA环境安装补充）
CUDA环境安装补充之前写过YOLO训练的device选择，简单说明了下CUDA的安装。这里再补充一下 CUDA安装CUDA安装和之前的没有变化，请参考原来的内容 NOTE需要加入环境变量PATH Pytorch CUDA上一篇没有详细介绍这一步，今天补充一下。YOLO需要使用CUDA，必须使得Pytorch也是有CUDA的版本。默认安装Ultra
YOLO视觉检测应用入门篇（五-小结）
YOLO视觉检测应用入门篇（五-小结） 小结经过之前几篇的简单介绍，相信对于Yolo已经有了一些理解和认识，尤其是在应用方面对于YOLO的val和perdict，建议可以去Github Doc进行进一步的学习了。相信接下来会更加得心应手。YOLO不仅用于图片，也可以用于视频。 除此之外，有一些个人的建议： 是时候看一下原理的教程了当完全不熟悉的时候去听这些教程，简直是一头雾水。但经过了几个简单的应
YOLO视觉检测应用入门篇（四）
YOLO视觉检测应用入门篇（四）上一篇，我们对dataset有了一定的了解。这一篇，是时候来训练一个模型了。 准备我们假定你已经准备好了数据集和yolo环境，可以在yolo11n.pt的基础上进行进一步的训练。 训练下面是示例代码 123456789101112131415161718192021222324252627282930313233343536373839404142434445464
YOLO视觉检测应用入门篇（三）
YOLO视觉检测应用入门篇（三）上一篇，我们介绍了device参数的应用，使得我们的模型训练更加高效。这一篇，我们暂时放一放参数，聊一下数据集。 数据集 Dataset很多时候，训练的结果和数据集息息相关。数据集质量差，再训练也不会有很好的结果。巧妇难为无米之炊，因此数据集非常重要。 数据集组成第一篇我们使用了coco8数据集，这是一个非常小的数据集，用于普通的演示。我们可以看到，数据集分为：
YOLO视觉检测应用入门篇（二）
YOLO视觉检测应用入门篇（二）上一篇，我们介绍了YOLO最基础的训练和预测。这一篇，我们稍微进阶一些。 device =上一篇中，我们使用官方的sample模型，显然速度不算快。因为我们使用的是device = cpu，即仅使用cpu进行训练。事实上，使用GPU训练才是主流。因为GPU对于卷积神经网络的计算是非常擅长的，比cpu擅长得多。具体的原因，在了解YOLO的原理时，我
YOLO视觉检测应用入门篇（一）
YOLO视觉检测应用入门篇（一） 写在前面网上看到很多刚刚入门学习YOLO的，不管是为了论文，还是实际应用，发出的帖子下面基本都是要收费的广告。YOLO本就是开源的，很多资料也可以免费获取，因此想想写一下入门的应用。 引言YOLO视觉检测在B站和网络上有大量视频教程、资料。但绝大部分都关注的是YOLO的原理。从卷积开始讲起，一直讲到神经网络如何优化。上采样下采样让小白云里雾里不知所云。事实上有一部
