- 综合排序
- 最热优先
- 最新优先
阶段式目标推进工具深度探讨：如何通过工具实现各阶段任务的精准推进？
阶段式目标推进工具通过智能化的阶段划分和进度反馈，可以帮助团队清晰地看到目标的实现路径，确保每个阶段的任务都得到合理安排与推进，从而大幅提升团队的工作效率。二、什么是阶段式目标推进工具？ 阶段式目标推进工具是一种智能化的目标管理工具，可以根据目标的多个阶段（如规划阶段、实施阶段、评估阶段等）进行自动化管理和进度跟踪。 三、阶段式目标推进工具的应用场景阶段式目标推进工具特别适用于以下几种情况：跨部门协作的长期项目：当多个部门合作完成一个长期项目时，阶段式目标推进工具可以确保各部门明确自己的阶段性目标，避免因沟通不畅导致的误解和延误 无论是中小型项目，还是大型、复杂的多阶段项目，阶段式目标推进工具都能提供强大的支持，帮助项目按时完成。四、如何使用阶段式目标推进工具提高效率？ Q3：阶段式目标推进工具会影响任务执行的灵活性吗？ A：工具支持高度定制与调整，可以根据项目需求灵活调整阶段性目标，保持灵活性。Q4：如何查看目标推进的最新进展？
36510编辑于 2025-08-14- 来自专栏CNNer
【目标检测】开源 | TIDE：目标检测错误分析工具
TIDE: A General Toolbox for Identifying Object Detection Errors 原文作者：Daniel Bolya 内容提要 本文介绍了TIDE，一个用于分析目标检测和实例分割算法中的误差来源的框架和关联的工具盒 通过对4个数据集和7个识别模型的深入分析，结果发现本文框架能够得出准确、全面的结论。 主要框架及实验结果 ? ? ? ? ? ? ? ? ?
2.5K30发布于 2020-11-03 - 来自专栏AI算法札记
目标检测4: Detection基础之mAP
前面目标检测1: 目标检测20年综述之(一)和目标检测2: 目标检测20年综述之(二)让大家对目标检测有个大概的认识，机器学习评价指标合辑(Precision/Recall/F1score/P-R曲线/ 4. mAP计算示例 下面通过示例来解释插值AP。 下图有7张图像，其中15个GT目标用绿色框表示，24个检测到的物体由红色框表示。每个检测到的物体由字母（A，B，... 在一些图像中，存在多于一个与同一个ground truth重叠的检测结果（图像2,3,4,5,6和7）。对于这些情况，选择具有最高IOU的检测框，丢弃其他框。 （A1，A2，A3和A4）： 计算总面积，即可得到AP： 两种不同插值方法之间的结果略有不同：分别通过每点插值和11点插值分别为24.56％和26.84％。 参考资料 [1] 目标检测中的mAP是什么含义 [2] Object-Detection-Metrics [3] 目标检测mAP计算方式 [4] 目标检测评价标准-AP mAP [5] 目标检测模型的评估指标
1.4K30编辑于 2022-08-02 - 来自专栏全栈程序员必看
基于yolov4的目标检测_yolov3目标检测
├── utils：存放的是工具类的函数，里面有loss函数，metrics函数，plots函数等等。 ├── weights：放置训练好的权重参数。 利用labelimg制作自己的深度学习目标检测数据集。 还有很完备的代码将labelimg标注好的voc格式或者yolo格式相互转换。 3训练自己的模型 3.1修改数据配置文件 预训练模型和数据集都准备好了，就可以开始训练自己的yolov5目标检测模型了，训练目标检测模型需要修改两个yaml文件中的参数。 如果不注释这行代码训练的时候会报错；箭头2中需要将训练和测试的数据集的路径填上（最好要填绝对路径，有时候由目录结构的问题会莫名奇妙的报错）；箭头3中需要检测的类别数，我这里是识别安全帽和人，所以这里填写2；最后箭头4中填写需要识别的类别的名字 tensorboard --logdir=runs 4 推理测试 等到数据训练好了以后，就会在主目录下产生一个run文件夹，在run/train/exp/weights目录下会产生两个权重文件
56620编辑于 2022-11-03 - 来自专栏计算机视觉战队
多目标检测：基于YoloV4优化的多目标检测
作者：Edison_G 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种新的目标检测方法。 一、前言 为了解决目标检测任务中小目标检测精度低、误检、漏检率高等问题，有研究者提出了一种基于YOLOv4卷积神经网络的多目标检测方法。 二、概要 今天分享的框架，新的方法基于YOLOv4。 高层特征的语义信息首先通过FPN采样传播到低层网络，然后与底层特征的高分辨率信息融合，以提高小目标检测对象的检测效果。 ；检测头采用回归+分类的思想，将输入图像分别划分为76×76、38×38、19×19三种不同尺寸的网格图像，分别实现小目标、中目标和大目标的检测目标。 输入特征图经过一个卷积层后，经过5×5、9×9、13×13三个核进行最大池化， 然后concat得到的特征图进行通道拼接，输出通道数变成原来通道数的4倍，特征图大小保持不变。
1.4K20编辑于 2022-01-26 - 来自专栏简书专栏
目标检测第4步-模型测试
《目标检测第2步-数据准备》，链接：https://www.jianshu.com/p/3d9436b4cb66 《目标检测第3步-模型训练》，链接：https://www.jianshu.com/p 下载测试数据 下载链接: https://pan.baidu.com/s/1NksESNqBX--YqMJ4zptGdw 提取码: 6p3u 压缩文件n01440764.tar下载完成后，复制到桌面的文件夹目标检测中 进行到此步，桌面的文件夹目标检测如下图所示： ? image.png 4.下载并运行测试代码 链接: https://pan.baidu.com/s/1Ym1cYFCnsj1JAYFACHFj_Q 提取码: i3wn 代码文件fish_detection.ipynb 下载完成后，复制到桌面的文件夹目标检测中。
1.4K31发布于 2018-12-28 - 来自专栏全栈程序员必看
睿智的目标检测29——Keras搭建YoloV4目标检测平台
睿智的目标检测29——Keras搭建YoloV4目标检测平台 学习前言 什么是YOLOV4 代码下载 YOLOV4改进的部分（不完全） YOLOV4结构解析 1、主干特征提取网络Backbone 2、特征金字塔 什么是YOLOV4 YOLOV4是YOLOV3的改进版，在YOLOV3的基础上结合了非常多的小Tricks。 尽管没有目标检测上革命性的改变，但是YOLOV4依然很好的结合了速度与精度。 CIOU将目标与anchor之间的距离，重叠率、尺度以及惩罚项都考虑进去，使得目标框回归变得更加稳定，不会像IoU和GIoU一样出现训练过程中发散等问题。 而惩罚因子把预测框长宽比拟合目标框的长宽比考虑进去。 5、计算置信度的loss，其有两部分构成，第一部分是实际上存在目标的，预测结果中置信度的值与1对比；第二部分是实际上不存在目标的，预测结果中置信度的值与0对比。
85830编辑于 2022-09-12 - 来自专栏科技向令说
开发工具创新升级，鲲鹏推进计算产业“竹林”式生长
这一阶段的鲲鹏，在开发和应用使能工具创新上的理念也发生了变化——长期积淀后，开发工具开始了“竹林”式生长过程。 在中国生长最为普遍的竹子——毛竹，4年也只不过长到3cm，但在这4年里，毛竹将根深扎土壤，到了第5年开始以每天30cm的速度生长，短短一个多月时间就能生长到15米，一棵一棵高耸的竹子形成一片茂密的竹林。 打造根基、厚积薄发，有足够的力量走得更广、更远，鲲鹏的开发工具和应用使能工具创新升级，在为开发者提供功能全面、能力深入、贴近实用的开发工具，这就是典型的“竹林”式生长。 对开发者而言，以原生为主题的应用开发阶段已经到来，这时候的开发目标，也转向原生应用解决具体场景问题的能力。 在此次发布中，鲲鹏两大工具的升级，在单一能力及相互组合上也基于过去的技术积累而不断强化。 式生长是竹子作为一个物种在野外竞争环境中实现种群生存产物，最终却表现出了自然界少有的惊人发展能力，回过头来看，起初的鲲鹏某种程度上也是改变计算领域被动状况的一种产物，而现在，鲲鹏实现的价值早已远远超越了这一基本目标
43210编辑于 2022-07-01 - 来自专栏全栈程序员必看
通用目标检测_ug目标体完全处于工具体内部
睿智的目标检测-番外篇——数据增强在目标检测中的应用（数据增强代码的参数解读） 学习前言 代码下载 数据增强做了什么 目标检测中的图像增强 全部代码 1、数据增强 2、调用代码 学习前言 数据增强是非常重要的提高目标检测算法鲁棒性的手段 目标检测中的图像增强 在目标检测中如果要增强数据，并不是直接增强图片就好了，还要考虑到图片扭曲后框的位置。 也就是框的位置要跟着图片的位置进行改变。 如果大家对我的目标检测代码有少许研究的话，应该都可以看到。 image = Image.open(line[0]) image = image.convert('RGB') #------------------------------# # 获得图像的高宽与目标高宽 image_data.astype(np.uint8)) for j in range(len(box_data)): thickness = 3 left, top, right, bottom = box_data[j][0:4]
95620编辑于 2022-11-07 - 来自专栏GiantPandaCV
INT4量化用于目标检测
Int 4量化用于目标检测 【GiantPandaCV】文章2019 CVPR，讲的是Int 4量化用于目标检测，主要是工程化的一些trick。 感受：这篇文章主要是做了实践工作，可以看作是低bit量化(Int 4)用于目标检测的一些trick。 Quantization and training of neural networks for efficient integer-arithmetic-only inference》简称IAO 量化用于目标检测有以下困难 并且让activation在[，] (0 < < 1) 内，文章设置n=20，=0.999. 4、折叠bn。 Int4量化与全精度对比 ? 消融实验 ? FreezeBN与不同bit的对比 ? 截断激活函数阈值的百分比 ? 与其他量化方法的对比图
1.3K20发布于 2021-03-24 - 来自专栏智能算法
目标检测算法YOLOv4详解
YOLOv4的贡献如下: 开发了一个高效、强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 TiGPU来训练一个超级快速和准确的目标探测器。 2.1 目标检测器通用框架 目前检测器通常可以分为以下几个部分，不管是two-stage还是one-stage都可以划分为如下结构，只不过各类目标检测算法设计改进侧重在不同位置： ? 2.4 PAN结构 YOLOv4使用PANet(Path Aggregation Network)代替FPN进行参数聚合以适用于不同level的目标检测, PANet论文中融合的时候使用的方法是Addition 通过这种方式，神经网络对其自身进行一种对抗式的攻击，改变原始图像，制造图像上没有目标的假象。在第二阶段，训练神经网络对修改后的图像进行正常的目标检测。 ? CNN计算出Loss, 然后通过反向传播改变图片信息，形成图片上没有目标的假象，然后对修改后的图像进行正常的目标检测。需要注意的是在SAT的反向传播的过程中，是不需要改变网络权值的。
16.9K34发布于 2020-11-17 - 来自专栏陶陶计算机
目标检测工具安装使用--labelImg
labelImg是一个超级方便的目标检测图片标注工具，打开图片后，只需用鼠标框出图片中的目标，并选择该目标的类别，便可以自动生成voc格式的xml文件。 python3.6 下载安装包 github:https://github.com/tzutalin/labelImg [在这里插入图片描述] 百度：https://pan.baidu.com/s/1pZo4Cn2mGPz-Z-zgIMVfaQundefined 提取码：q4us 两种方法都可以，下载之后，将压缩包解压 安装依赖库 pip install PyQt5 pip install PyQt5_tools pip install lxml x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B1YmxpYzY2OQ x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3B1YmxpYzY2OQ
92220编辑于 2022-05-12 - 来自专栏山丘安全攻防实验室
工具推荐|目标域名收集之subDomainsBrute
工具名称：subDomainsBrute 工具作者: lijiejie Github地址：https://github.com/lijiejie/subDomainsBrute 功能特点 用小字典递归地发现三级域名 在dict里面可以进行添加） 自动去重泛解析的域名，当前规则： 超过2个域名指向同一IP，则此后发现的其他指向该IP的域名将被丢弃 速度尚可，在我的PC上，每秒稳定扫描约3百个域名（30个线程） 一、工具环境准备 该工具使用python语言开发，运行环境为python2.7 python环境需要安装dnspython gevent 以我电脑为例，我电脑为windows，安装插件需要先到python/script 二、工具安装 访问 https://github.com/lijiejie/subDomainsBrute 下载即可 三、命令介绍 Options: --version 显示版本号并退出 200 -p PROCESS, --process=PROCESS 扫描进程数，默认为6 -o OUTPUT, --output=OUTPUT 输出文件名称 {target}.txt 四、工具使用
5K40发布于 2020-03-06 进度推送提醒工具深度探讨：如何通过工具确保每个任务的按时执行与推进？
进度推送提醒工具通过自动化推送提醒和定期更新，帮助团队实时掌控任务进度，减少因信息滞后带来的效率低下和沟通不畅。三、什么是进度推送提醒工具？ 进度推送提醒工具不仅仅是一个简单的进度跟踪工具，它通过智能化的方式，根据任务和项目的进展推送实时更新提醒。 自动推送客户任务进度，提升客户关系管理效率 五、构建进度推送提醒机制的关键步骤1️⃣ 识别关键进度节点并非所有任务都需要进行推送提醒，聚焦以下几类：高优先级任务：需要紧急处理的任务，确保任务得到及时推进 每次推送都包含任务进展详情、下一步操作建议及反馈渠道，确保任务顺利推进。4️⃣ 多渠道通知支持通过多种渠道，如邮件、短信、APP通知、Slack、钉钉等即时通讯工具，推送任务进度提醒。 强大的任务管理和进度提醒功能，适合快速推进和调整任务的团队 ClickUp 提供多种视图支持和强大的进度追踪功能，适合复杂项目的进度推送管理 七、辅助代码脚本示例：进度推送实践Python
42110编辑于 2025-08-14- 来自专栏SDNLAB
P4: 面向服务器主导网络互联推进技术创新
P4的主要目标之一是保持语言硬件无关（或目标无关）。P4的设计者声明它是一种面向数据包处理器的编程语言，设计者们指的是哪种数据包处理设备？ ASIC，FPGA或CISC CPU？ 答案是：所有的，只要他们能解释P4。 目标系统制造商负责解释P4行为代码和生成低级别设备特定代码。 例如，Netronome的Agilio Smart NIC拥有可编程数据平面。 加速器供应商现在可以提供一个工具链将P4代码映射到砂箱。 加速器供应商可以编写性能管理软件，利用加速器非砂箱资源管理数据包。 管理软件通过逻辑接口向砂箱提交数据包。 网络开发人员可以编写P4代码说明加速器逻辑网络功能。 ? 利用这种方法，网络功能开发人员可以专注做与他们有关的数据包处理功能。Netronome在P4 SDK和工具链中使用砂箱方法。 研究人员可以通过几种方式参与和推进这项工作。P4组织每年举办两次开发日活动，每年举办一次研究会议。该组织设有工作组。 例如，P4的下一个版本P4-16将会很快发布。
1.4K80发布于 2018-03-30 - 来自专栏气象杂货铺
Basemap工具函数(4)
map.drawcoastlines() for lon in range(0, 360, 20): for lat in range(-60, 90, 30): map.tissot(lon, lat, 4,
1.8K10发布于 2020-04-21 - 来自专栏厚积薄发
深度剖析目标检测算法YOLOV4
深度剖析目标检测算法YOLOV4 目录 简述 yolo 的发展历程 介绍 yolov3 算法原理 介绍 yolov4 算法原理（相比于 yolov3，有哪些改进点） YOLOV4 源代码日志解读 采用卷积神经的目标检测算法大致可以分为两个流派，一类是以 R-CNN 为代表的 two-stage，另一类是以 YOLO 为代表的 one-stage， R-CNN 系列的原理：通过 ROI 提取出大约 经过一系列的优化与改进，特别是今年 4 月份推出的 YOLOV4，使得它在准确度方面得到了大幅度的提升，另外，它还能达到实时检测（在 GPU 加持的情况下）。 它的 Star 达到 13400，可以说，知名度不是一般的高，在目标检测领域，好像只有 YOLOV3 超过它了，达到了 19000 ，是不是值得大家花点时间精力去探索一下呢 ？ YOLOV4 源代码日志解读 ? 网络层数： YOLOV4 总共层数有 161 层，YOLOV3 是 106 层，网络层数增加是非常明显的。
3.1K10发布于 2020-12-14 - 来自专栏Python编程和深度学习
目标检测系列之五（YOLO V4）
目标检测系列之五（YOLO V4） 论文题目《YOLOv4: Optimal Speed and Accuracy of Object Detection》 论文地址：https://arxiv.org of BoF and BoS3.3 Additional improvement3.4 YOLOv44 Experiment and Result5 实现版本 1 Introduction YOLO V4建立了一个更高效更强大的目标检测模型 此外，多尺度的感受野可以同时匹配不同大小的目标、兼顾目标的上下文信息、增加图像点与最终激活之间的连接数。 3） 改进SAM、PAN和Cross-mini-Batch Normalization使训练更高效 Mosaic可以同时融合4张图像进行数据增强，可以增强目标检测器的检测能力，减少对mini-batch 不同目标检测器的速度和准确性对比结果，YOLOv4位于P-are最优曲线上，在速度和精度方面都优于最快和最精确的检测。 ?
1.9K10发布于 2020-05-25 - 来自专栏AI算法修炼营
目标检测 | 盘点目标检测中的特征融合技巧（根据YOLO v4总结）
= self.layer3(c3) c5 = self.layer4(c4) p5 = self.toplayer(c5) p4 = self. 但N3,N4,N5和P3,P4,P5不一样，实际上N3,N4,N5是P3,P4,P5融合后的结果。 而上面的支路输出维度类似 ，其中 代表数据集目标类别数。最终，这两条支路的输出Mask做融合以获得更加精细的最终结果。 ： 1、原本 backbone 是用于目标分类的网络，导致用于目标检测的语义特征不足； 2、每个用于目标检测的特征层主要或者仅仅是由单级特征层（single-level layers）构成，也就是仅仅包含了单级信息 此外，底层特征更适合描述具有简单外观的目标，而高层特征更适合描述具有复杂外观的目标。在实际中，具有相似大小目标实例的外观可能非常不同。
3.7K20发布于 2020-05-22 - 来自专栏产品的技术小课
效率工具：4个语音转文字工具
转好的文件可导出，如果想选择免费工具的话，首推飞书妙记！ 使用方法：打开飞书网页版，找到飞书妙记，然后选择上传文件，选择语言，等待翻译，转好后直接导出。 0.33元/分钟 传送门： 网站：https://www.iflyrec.com app：应用市场直接搜 4、网易见外工作平台 - 网站 只要注册就能免费使用！
11.8K20编辑于 2022-05-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号