本文主要是介绍深度学习 目标分类 目标检测 多目标跟踪 基础 进阶，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
深度学习 目标分类 目标检测 多目标跟踪 基础 进阶
flyfish
深度学习基础
| 文章名称 | 链接 |
|---|---|
| 深度学习基础 - 直线 | 链接 |
| 深度学习基础 - 梯度垂直于等高线的切线 | 链接 |
| 深度学习基础 - 向量投影 | 链接 |
| 一阶优化算法（如梯度下降）和二阶优化算法（如牛顿法）与泰勒级数 | 链接 |
| Eigen中的array() square() asDiagonal() | 链接 |
| 普通的矩阵乘法和Strassen矩阵乘法算法的比较 代码是C++实现 | 链接 |
| onnxruntime 推理分类模型 以resnet为例 | 链接 |
| Eigen中 Row-Major 和 Column-Major 存储顺序的区别 | 链接 |
| 计算神经网络中梯度的核心机制 - 反向传播（backpropagation）算法（1） | 链接 |
| softmax 函数的多种实现方式 包括纯C语言、C++版本、Eigen版本等 | 链接 |
| Softmax用于二分类时会退化为Sigmoid | 链接 |
| 支持向量机 （support vector machine，SVM） | 链接 |
| 香橙派 AIpro 昇腾 Ascend C++ 分类模型适配 | 链接 |
| 封装 H.264 视频为 FLV 格式然后推流 | 链接 |
| 目标检测 YOLOv5 - 推理时的数据增强 | 链接 |
| 卷积的计算 - im2col 3 | 链接 |
| 卷积的计算 - im2col 2 | 链接 |
| 卷积的计算 - im2col 1 | 链接 |
| 卷积的计算 - numpy的实现 2 | 链接 |
| 卷积的计算 - numpy的实现 1 | 链接 |
| 粒子群优化算法的实践 - 多个约束条件 | 链接 |
| 粒子群优化算法的实践 - 目标函数的可视化 | 链接 |
| 粒子群优化算法的实践 - 向量减法 | 链接 |
| 《深度学习与目标检测 YOLOv5》 | 链接 |
| 交叉熵在深度学习中的实践应用 | 链接 |
| 可视化梯度下降 | 链接 |
| 从小学4年级的数学课开始解释线性回归 | 链接 |
| 从线性回归到逻辑回归解决分类问题 | 链接 |
| 梯度下降背后的原理 | 链接 |
| 手工计算深度学习模型是如何更新参数的 | 链接 |
| 深度学习基础 - 牛顿法 | 链接 |
| NVIDIA cuDNN 下载 | 链接 |
| L1和L2范数，L1和L2损失函数，L1和L2正则化 | 链接 |
| 深度学习基础 - 梯度下降 | 链接 |
| 深度学习基础 - 前向传播和反向传播 | 链接 |
| 深度学习的基础 - 导数是什么 - 微分是什么 - 导数和微分有什么区别 - 微分解决什么问题 | 链接 |
| 一文看不懂方差和标准差 | 链接 |
| 深度学习基础 - 单位向量 | 链接 |
| 深度学习基础 - 概率的三个公理 | 链接 |
| 深度学习基础 - 累加符号和连乘符号 | 链接 |
| 深度学习基础 - 最大似然估计 | 链接 |
| 深度学习基础 - 朴素贝叶斯 | 链接 |
| 白话关于熵的一些事 | 链接 |
| 深度学习基础 - 链式法则 | 链接 |
| 深度学习基础 - 神经元 | 链接 |
| 深度学习基础 - 知识脉络 | 链接 |
| 深度学习基础 - 从泰勒级数到直线 | 链接 |
| 深度学习基础 - 概率 | 链接 |
| 深度学习基础 - 偏导数、方向导数、梯度 | 链接 |
| 深度学习基础 - 导数 | 链接 |
| 深度学习基础 - 勾股定理 | 链接 |
| 深度学习基础 - 三角函数 | 链接 |
| 深度学习基础 - 标量、向量、矩阵、张量 | 链接 |
| 深度学习基础 - 指标 | 链接 |
| 深度学习基础 - 数学期望、方差、标准差、协方差、协方差矩阵 | 链接 |
| 深度学习基础 - 叉积、点积、余弦相似性、马氏距离 | 链接 |
| 深度学习基础 - 线性回归 | 链接 |
| 深度学习基础 - 积分 | 链接 |
| 深度学习基础 - 余弦定理 | 链接 |
| 深度学习基础 - 从余弦定理到余弦相似性 | 链接 |
| 深度学习基础 - 泰勒级数 | 链接 |
| 卷积 - 感受野（Receptive Field） | 链接 |
| 卷积操作转换为矩阵乘法 | 链接 |
| 1x1卷积的作用 | 链接 |
| 动画展示卷积的计算过程 | 链接 |
| 卷积的计算 - im2col 3 | 链接 |
| 卷积的计算 - im2col 1 | 链接 |
| 卷积的计算 - numpy的实现 1 | 链接 |
| 卷积的计算 - numpy的实现 2 | 链接 |
| 卷积的计算 - im2col 2 | 链接 |
| 经典的卷积神经网络模型 - AlexNet | 链接 |
| 经典的卷积神经网络模型 - ResNet | 链接 |
| 卷积层的输出 | 链接 |
| 经典的卷积神经网络模型 - VGGNet | 链接 |
| 在卷积神经网络（CNN）中为什么可以使用多个较小的卷积核替代一个较大的卷积核，以达到相同的感受野 | 链接 |
| 标准卷积的初始化和详细计算步骤，在代码中哪一步开始更新卷积核（权重） | 链接 |
目标分类
| 文章名称 | 链接 |
|---|---|
| onnxruntime 推理分类模型 以resnet为例 | 链接 |
| softmax 函数的多种实现方式 包括纯C语言、C++版本、Eigen版本等 | 链接 |
| YOLOv5 分类模型的加载 | 链接 |
| YOLOv5 分类模型 数据集加载 2 | 链接 |
| YOLOv5 分类模型 Top 1和Top 5 指标说明 | 链接 |
| YOLOv5 分类模型 OpenCV和PyTorch两者实现预处理的差异 | 链接 |
| YOLOv5 分类模型 数据集加载 1 | 链接 |
| YOLOv5 分类模型 预处理 | 链接 |
| YOLOv5 分类模型的验证 val | 链接 |
| YOLOv5 分类模型的预处理（2）ToTensor 和 Normalize | 链接 |
| YOLOv5 分类模型的预处理（1） Resize 和 CenterCrop | 链接 |
| YOLOv5 分类模型的后处理 | 链接 |
| YOLOv5 分类模型 数据集加载 3 | 链接 |
| YOLOv5 分类模型 Top 1和Top 5 指标实现 | 链接 |
| YOLOv5 分类模型 预处理 OpenCV实现 | 链接 |
| 分类 - 鸢尾花 分类模型的训练 | 链接 |
| 分类 - 鸢尾花 分类模型完整代码及架构说明 | 链接 |
| 分类 - 鸢尾花数据集标签转换为one-hot向量形式 | 链接 |
| 分类 - 鸢尾花 分类模型的测试 | 链接 |
| 分类 - 鸢尾花数据集切分训练集和测试集 | 链接 |
| 分类 - 鸢尾花 定义神经网络模型 | 链接 |
| 分类 - 鸢尾花数据集加载 | 链接 |
| 分类 - 鸢尾花（iris）数据集介绍（ 鸢【音：yuān】） | 链接 |
目标检测
| 文章名称 | 链接 |
|---|---|
| 目标检测 YOLOv5 - 模型压缩 | 链接 |
| 目标检测 YOLOv5 常见的边框（bounding box ）坐标表示方法 | 链接 |
| 目标检测 YOLOv5 - 数据增强 | 链接 |
| 目标检测 YOLOv5使用的数据集格式 | 链接 |
| 目标检测 YOLOv5 - YOLOv5:v6版本多机多卡训练出现的错误及解决方案 | 链接 |
| 目标检测 YOLOv5 - 损失函数的改进 | 链接 |
| 目标检测 YOLOv5 anchor设置 | 链接 |
| 目标检测 YOLOv5 人脸数据集widerface转YOLOv5格式 | 链接 |
| 目标检测 YOLOv5 - 在多类别中应用NMS（非极大值抑制） | 链接 |
| 目标检测 YOLOv5 转ncnn移动端部署 | 链接 |
| 目标检测 YOLOv5 - 学习率 | 链接 |
| 目标检测 YOLOv5 图像大小与loss权重的关系 | 链接 |
| 目标检测 YOLOv5 CrowdHuman数据集格式转YOLOv5格式 | 链接 |
| 目标检测 YOLOv5 - 浮点取模 | 链接 |
| 目标检测 YOLOv5 - 多机多卡训练 | 链接 |
| 目标检测 YOLOv5 SPP模块 | 链接 |
| 目标检测 YOLOv5 - loss for objectness and classification | 链接 |
| 目标检测 YOLOv5 自定义网络结构 | 链接 |
| 目标检测 YOLOv5根据配置改变网络的深度和宽度 | 链接 |
| 目标检测 YOLOv5 - 卷积层和BN层的融合 | 链接 |
| 目标检测 YOLOv5 - loss for bounding box regression | 链接 |
| PyTorch 传统模型训练业务全流程 | 链接 |
| Python 画 梯度场 | 链接 |
| 非最大值抑制（NMS）函数 | 链接 |
| YOLOv8 目标检测程序的输出 (1, 84, 8400)的解释 | 链接 |
| YOLOv8 目标检测程序，依赖的库最少，使用onnxruntime推理 | 链接 |
| YOLOv8中是如何实现类似将结构体作为函数参数传递 | 链接 |
| YOLOv8目标跟踪model.track的封装 | 链接 |
| YOLOv8目标跟踪代码BaseTrack中关于类属性的用法 | 链接 |
| 目标检测 YOLOv5 模型训练、推理、导出命令 | 链接 |
| 目标检测 YOLOv5中使用COCO数据集 | 链接 |
| 目标检测 YOLOv5 - 模型推理预处理 letterbox C++实现 | 链接 |
| 目标检测 YOLOv5 - 预处理letterbox坐标映射回原图坐标 C++实现 | 链接 |
| 香橙派 AIpro 昇腾 Ascend C++ 分类模型适配 | 链接 |
| 目标检测 YOLOv5 - 推理时的数据增强 | 链接 |
| YOLOv5 环境搭建 | 链接 |
| 目标检测 YOLOv5 预训练模型下载方法 | 链接 |
| PyTorch模型的多种导出方式提供给其他程序使用 | 链接 |
| 在预处理中用于预训练网络模型的均值和标准差的几种形式 | 链接 |
| 目标检测 YOLOv5 - ncnn模型的加密 C++实现封装库和Android调用库示例 | 链接 |
| 《深度学习与目标检测 YOLOv5》 | 链接 |
| 目标检测 YOLOv5 - YOLOv5最新版本 6.2支持ncnn推理 | 链接 |
| 目标检测 YOLOv5 - Rockchip rknn模型的测试 包括精度，召回率，mAP等详细信息 | 链接 |
| 目标检测 YOLOv5 - 预处理letterbox坐标映射回原图坐标 | 链接 |
| 目标检测 YOLOv5 - 模型推理预处理 letterbox | 链接 |
| 目标检测 YOLOv5 - 计算指标使用的坐标 | 链接 |
| 目标检测 YOLOv5 - v6.2版本模型在瑞芯微 Rockchip设备从训练到C++部署实践 | 链接 |
| 目标检测 YOLOv5 - YOLOv5的后处理 | 链接 |
| 目标检测 YOLOv5 - 最新版本v6.2模型在瑞芯微 Rockchip设备上运行的方案 | 链接 |
| 目标检测 YOLOv5 - 基于 瑞芯微 Rockchip RKNN C API 实现 | 链接 |
| 多目标跟踪 C++ 实现支持deepsort 和 bytetrack | 链接 |
| 多目标跟踪论文 Deep SORT 实现 | 链接 |
| 目标检测 YOLOv5 - 模型的输出 | 链接 |
| 目标检测 YOLOv5 - 模型的样子 | 链接 |
| 目标检测 YOLOv5 - 早停机制（Early Stopping） | 链接 |
| 目标检测 YOLOv5 - 自定义的模型在使用C++推理时需要注意的问题 | 链接 |
| 目标检测 YOLOv5 - 如何提高模型的指标，提高精确率，召回率，mAP等 | 链接 |
| 目标检测 YOLOv5 指标计算 | 链接 |
| 目标检测 YOLOv5 边框预测（bounding box prediction） | 链接 |
| 目标检测 YOLOv5 Backbone中的Focus | 链接 |
| 目标检测 YOLOv5 - Sample Assignment | 链接 |
| 深度学习目标检测框架的编写 - 注册机制 | 链接 |
| 目标检测 - Neck的设计 PAN（Path Aggregation Network） | 链接 |
| 目标检测 - Generalized Focal Loss的Anchor处理机制 | 链接 |
| 目标检测 - Generalized Focal Loss 基于one-stage检测器无cost涨点 （改进的Focal Loss,优于RetinaNet,FCOS,ATSS等） | 链接 |
| 目标检测 - IoU和GIoU作为边框回归的损失和代码实现 | 链接 |
| 目标检测 FCOS(FCOS: Fully Convolutional One-Stage Object Detection) | 链接 |
| 目标检测 PAA 概率anchor分配算法（Probabilistic Anchor Assignment Algorithm） | 链接 |
| 目标检测 PAA - 高斯混合模型（GMM）和期望最大化算法（EM algorithm） | 链接 |
| 大佬带队！旷视研究院 CV Master训练营-《RetinaNet进阶和第一次作业解答》 | 链接 |
| 大佬带队！旷视研究院 CV Master训练营-《 一阶段检测器RetinaNet 详解与实践》 | 链接 |
| 大佬带队！旷视研究院 CV Master训练营-《目标检测任务综述》总结 | 链接 |
| 人脸检测 Retinaface - Backbone部分（MobileNet v1） | 链接 |
| 人脸检测 Retinaface - SSH部分（Single Stage Headless Face Detector） | 链接 |
| 人脸检测 Retinaface - Anchor的设计 | 链接 |
| 人脸检测 Retinaface - FPN部分（Feature Pyramid Network） | 链接 |
| 华为的GhostNet是如何超越Google的MobileNet的 | 链接 |
| Google是如何将目标检测SSD魔改为专用人脸检测BlazeFace | 链接 |
| 人脸检测 Retinaface - 数据集的处理（WIDER FACE） | 链接 |
| 人脸检测 Retinaface - GT框（ground truth box）与 先验框（prior box）之间是如何匹配的 | 链接 |
| 普通的矩阵乘法和Strassen矩阵乘法算法的比较 代码是C++实现 | 链接 |
| onnxruntime 推理分类模型 以resnet为例 | 链接 |
| Softmax用于二分类时会退化为Sigmoid | 链接 |
| softmax 函数的多种实现方式 包括纯C语言、C++版本、Eigen版本等 | 链接 |
| 标准卷积的初始化和详细计算步骤，在代码中哪一步开始更新卷积核（权重） | 链接 |
| 在卷积神经网络（CNN）中为什么可以使用多个较小的卷积核替代一个较大的卷积核，以达到相同的感受野 | 链接 |
| 经典的卷积神经网络模型 - ResNet | 链接 |
| 经典的卷积神经网络模型 - VGGNet | 链接 |
| 卷积层的输出 | 链接 |
| 经典的卷积神经网络模型 - AlexNet | 链接 |
| 计算机中的浮点数 - 关于浮点数的编程需要注意什么 | 链接 |
| 计算机中的浮点数 - 为什么十进制的 0.1 在计算机中是一个无限循环小数 | 链接 |
| 计算机中的浮点数 - 二进制和十进制之间转换 | 链接 |
| 计算神经网络中梯度的核心机制 - 反向传播（backpropagation）算法（1） | 链接 |
| 非最大值抑制（NMS）函数 | 链接 |
| YOLOv8 目标检测程序的输出 (1, 84, 8400)的解释 | 链接 |
| YOLOv8 目标检测程序，依赖的库最少，使用onnxruntime推理 | 链接 |
| YOLOv8中是如何实现类似将结构体作为函数参数传递 | 链接 |
| YOLOv8目标跟踪model.track的封装 | 链接 |
| 多目标跟踪 距离的可视化（有动图） | 链接 |
| 目标检测 YOLOv5 - Rockchip rknn模型的测试 包括精度，召回率，mAP等详细信息 | 链接 |
| 目标检测 YOLOv5 - 模型推理预处理 letterbox | 链接 |
| 目标检测 YOLOv5 - 计算指标使用的坐标 | 链接 |
| 目标检测 YOLOv5 - v6.2版本模型在瑞芯微 Rockchip设备从训练到C++部署实践 | 链接 |
| 目标检测 YOLOv5 - YOLOv5的后处理 | 链接 |
| 目标检测 YOLOv5 - 最新版本v6.2模型在瑞芯微 Rockchip设备上运行的方案 | 链接 |
| 目标检测 YOLOv5 - 基于 瑞芯微 Rockchip RKNN C API 实现 | 链接 |
| 多目标跟踪 C++ 实现支持deepsort 和 bytetrack | 链接 |
| 多目标跟踪论文 Deep SORT 实现 | 链接 |
| C++ onnxruntime 推理例子 | 链接 |
| 目标检测 YOLOv5 - 模型的输出 | 链接 |
| 目标检测 YOLOv5 - 模型的样子 | 链接 |
| 在瑞芯微 Rockchip SDK中增加自己的程序并使用CMake编译 | 链接 |
| EfficientNet应用于目标检测的模型改造方法 | 链接 |
| ResNet中的Residual是怎么来的 | 链接 |
| MobileNet v3 中 引用的Squeeze-and-Excite是怎么回事 | 链接 |
| MobileNet v1中 深度可分离卷积（Depthwise Separable Convolution） 是怎么回事 | 链接 |
| MobileNet v2中 Inverted Residual 和 Linear Bottleneck 是怎么回事 | 链接 |
| Quarkdet 统计COCO格式数据集的各个类别图片的数量和标注框的数量 | 链接 |
| PyTorch实现轻量级目标检测 quarkdet | 链接 |
多目标跟踪
| 文章名称 | 链接 |
|---|---|
| DeepSORT（目标跟踪算法）中的卡尔曼滤波 - 看了就会的状态转移矩阵 | 链接 |
| DeepSORT（目标跟踪算法）中的初始化卡尔曼滤波器的状态向量和协方差矩阵 | 链接 |
| DeepSORT（目标跟踪算法）中卡尔曼滤波器中的预测 | 链接 |
| DeepSORT（目标跟踪算法）中自由度决定卡方分布的形状 | 链接 |
| DeepSORT（目标跟踪算法）中的解三角方程计算标准化残差（解线性方程组） | 链接 |
| DeepSORT（目标跟踪算法）中的计算观测值与状态估计的马氏距离 | 链接 |
| DeepSORT（目标跟踪算法）中的马氏距离详解（很详细） | 链接 |
| DeepSORT（目标跟踪算法）中 可以设置阈值进行异常检测或目标跟踪的原因 | 链接 |
| DeepSORT（目标跟踪算法）中的数值表格与调参的关系 | 链接 |
| 卡尔曼滤波 - 状态空间模型中的状态方程 | 链接 |
| Python 卡尔曼滤波实践 | 链接 |
| 多目标跟踪 C++ 实现支持deepsort 和 bytetrack | 链接 |
| C++ onnxruntime 推理例子 | 链接 |
| OpenCV下的多目标跟踪 | 链接 |
| ByteTrack的卡尔曼滤波使用什么样的边框坐标信息 | 链接 |
| C++实践多目标跟踪ByteTrack | 链接 |
| 多目标跟踪论文 Deep SORT 实现 | 链接 |
| 多目标跟踪论文 Deep SORT 评测指标 | 链接 |
| 多目标跟踪论文 Deep SORT 解读 | 链接 |
| 多目标跟踪论文 Deep SORT 特征训练TensorFlow实现 | 链接 |
| 多目标跟踪论文 Deep SORT 特征训练PyTorch实现 | 链接 |
| 多目标跟踪论文 Deep SORT 特征提取CNN Architecture | 链接 |
| 多目标跟踪论文 Deep SORT 数据集说明 | 链接 |
| 匈牙利算法 | 链接 |
| 卡尔曼滤波 - 状态空间模型 | 链接 |
| 卡尔曼滤波 - 当前均值与上一次均值的关系 | 链接 |
| 卡尔曼滤波 - 数据融合 data fusion | 链接 |
| 卡尔曼滤波 - 冥冥之中自有定数的正态分布 | 链接 |
| 卡尔曼滤波 - 匀变速直线运动 | 链接 |
| 卡尔曼滤波 - 一个方程背后的样子 | 链接 |
| 卡尔曼滤波 - 方程组转换为矩阵形式 | 链接 |
| 卡尔曼滤波 - 5个公式出现的顺序 | 链接 |
| 详细的介绍匀加速运动的物理方程是如何转化为卡尔曼滤波的状态空间模型的 | 链接 |
| DeepSORT（目标跟踪算法） 卡尔曼滤波 状态向量是如何映射到观测向量（测量向量）的即观测矩阵的构建方式 | 链接 |
| 经典的卷积神经网络模型 - VGGNet | 链接 |
| 卷积层的输出 | 链接 |
| 经典的卷积神经网络模型 - AlexNet | 链接 |
| 计算神经网络中梯度的核心机制 - 反向传播（backpropagation）算法（1） | 链接 |
| 绘制卡尔曼滤波运行流程图 | 链接 |
| 积分的可视化 | 链接 |
| 求出某空间曲面下的体积 | 链接 |
| YOLOv8 目标检测程序的输出 (1, 84, 8400)的解释 | 链接 |
| YOLOv8 目标检测程序，依赖的库最少，使用onnxruntime推理 | 链接 |
| YOLOv8目标跟踪model.track的封装 | 链接 |
| 椭圆的几何要素 | 链接 |
| 多目标跟踪 距离的可视化（有动图） | 链接 |
| YOLOv8目标跟踪代码BaseTrack中关于类属性的用法 | 链接 |
| 关于椭圆的方程（有Python画的动图） | 链接 |
| 关于圆的方程 | 链接 |
| 椭圆的矩阵表示法 | 链接 |
| 正定矩阵（Positive Definite Matrix） | 链接 |
| 标准正交基下的坐标向量 | 链接 |
| 在二维空间中用椭圆表示不确定性 | 链接 |
| 椭圆的标准方程与协方差矩阵的特征值和特征向量的关系 | 链接 |
| Eigen中的array() square() asDiagonal() | 链接 |
| 多目标跟踪中检测器和跟踪器如何协同工作的 | 链接 |
| Eigen中 Row-Major 和 Column-Major 存储顺序的区别 | 链接 |
| 多目标跟踪中用到的求解线性分配问题（Linear Assignment Problem，LAP）C++ | 链接 |
| 多目标跟踪中用到的求解线性分配问题（Linear Assignment Problem，LAP）Python | 链接 |
| 矩阵的迹（Trace） | 链接 |
| 卡尔曼滤波源码注释和调用示例 | 链接 |
| 从最小二乘法的角度来理解卡尔曼滤波（1） | 链接 |
| 从最小二乘法的角度来理解卡尔曼滤波（2） | 链接 |
| 矩阵转置的基本性质 | 链接 |
| 高斯消元法解线性方程组 | 链接 |
| DeepSORT（目标跟踪算法）卡尔曼滤波中的贝叶斯定理 | 链接 |
| Determinant 一个翻译很不友好的名字 行列式 det(A) | 链接 |
| DeepSORT（目标跟踪算法） 卡尔曼滤波 状态空间模型的理解 | 链接 |
| DeepSORT（目标跟踪算法） 卡尔曼滤波的完整流程 | 链接 |
| DeepSORT（目标跟踪算法）中的状态向量与状态转移矩阵 | 链接 |
| DeepSORT（目标跟踪算法）中卡尔曼滤波器中的更新 | 链接 |
| DeepSORT（目标跟踪算法）中卡尔曼增益的理解 | 链接 |
这篇关于深度学习 目标分类 目标检测 多目标跟踪 基础 进阶的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
