目标检测-YOLO-V4基于PyTorch从零复现与行人车辆检测实战

1-1 课程介绍

1-2 代码与项目介绍

2-1 图像卷积

2-2 卷积和步长的巧妙配合

2-3 人工卷积核产生的效果

2-4 Yolov4里的卷积例子

2-5 最大池化操作

2-6 全连接层讲解

2-7 卷积神经网络VGG16_01

2-8 卷积神经网络VGG16_02

2-9 1X1卷积核的用处01

2-10 1X1卷积核的用处02

2-11 1X1卷积核的用处03

2-12 1X1卷积核的用处04（yolo中的1X1预测思想）

2-13 YOLOV4里的one-hot编码

2-14 softmax原理和计算

2-15 sigmod和代替softmax

2-16 BN操作01

2-17 BN操作02

2-18 激活函数原理和作用

3-1 YOLOV3网络结构回顾01

3-2 YOLOV3网络结构回顾02

3-3 YOLOV3网络结构回顾03

3-4 强大的模型可视化工具netron

3-5 YOLOV4网络结构backbone

3-6 YOLOV4网络结构Neck

3-7 YOLO网格思想

3-8 先验框anchors原理

3-9 头部DECODE

3-10 YOLO头部总结

3-11 从零写代码backbone构建01

3-12 从零写代码backbone构建02

3-13 从零写代码Neck构建01

3-14 从零写代码Neck构建02

3-15 从零写代码头部Decode01

3-16 从零写代码头部Decode02

3-17 代码解读模型推断部分

3-18 代码解读使用yolo.cfg解析方式构造网络01

3-19 代码解读使用yolo.cfg解析方式构造网络02

4-1 模型训练超参部分讲解

4-2 训练整体流程

4-3 模型训练build_target原理解析01

4-4 模型训练build_target原理解析02

4-5 模型训练build_target原理解析03

4-6 损失函数原理解析01

4-7 损失函数原理解析02

4-8 从零写代码build_target训练核心函数01

4-9 从零写代码build_target训练核心函数02

4-10 从零写代码build_target训练核心函数03

4-11 从零写代码训练部分基础函数

4-12 从零写代码CIOU计算

4-13 从零写代码损失函数计算

4-14 代码解读基于PyTorch的模型训练01

4-15 代码解读基于PyTorch的模型训练02

4-16 代码解读基于PyTorch的模型训练03

5-1 项目实战总体介绍

5-2 权重裁剪技巧（模型训练必备知识）

5-3 代码实战pytorch权重裁剪01

5-4 代码实战pytorch权重裁剪02

5-5 代码实战训练数据集制作

5-6 tensorboardX训练可视化工具使用

5-7 map和准确召回率计算工具使用

5-8 项目效果展示

5-9 YOLOV4调参总结

神经网络, 实战训练