YOLO作者提到人可以一眼看到目标在哪，能立即知道是什么，并且对于很多实际场景而言，如自动驾驶，实时性和准确性都是非常重要的。针对上述问题，作者提出了经典的YOLO算法，它是一个统一的，端到端的单阶段目标检测算法。

SSD算法，其英文全名是Single Shot MultiBox Detector, SSD的优势在于消除了bounding box proposal和pixel or feature resampling，并使用了multi-scale，因此达到了比Faster R-CNN和YOLO更高的检测精度和更快的检测速度。

FCOS是一种基于全卷积的单阶段目标检测算法，并且是一种Anchor box free的算法。其实现了无Anchor，无Proposal，并且提出了Center-ness的思想，极大的提升了Anchor-Free目标检测算法的性能。

市面上有不少平台提供GPU租用服务，其中的价格和质量也是飘忽不定，本文主要根据价格和质量，总结了几个比较不错的GPU算力平台。

Detectron2是Facebook AI Research的检测和分割框架，其主要基于PyTorch实现，但具有更模块化设计，因此它是灵活且便于扩展的，具体简介可见Github库和Meta AI Blog Post。

最近有很多小伙伴留言问我ButterFly主题的导航栏是怎么居中的，说实话我的博客样式其实都是一点一点从其他博主的博客那模仿来的，所以样式修改的时间跨度有点长，我自己也不太清楚具体改了哪些地方，但是鉴于问的小伙伴太多，我决定把导航栏文件全部展示出来......

RetinaNet是He Kaiming等人在提出的一种单阶段目标检测算法，其针对现有单阶段检测模型中前后景（正负样本）类别的不平衡问题，提出了Focal Loss损失函数，用来降低大量easy negatives样本在标准交叉熵中所占权重。

Faster R-CNN是He Kaiming等人在R-CNN和Fast R-CNN的基础上提出的一种两阶段目标检测算法，其主要包括：特征提取网络（Backbone），RPN（Region Proposal Networks），RoI Pooling（Region of Interesting Pooling）以及分类回归（Classification and Regression）。

在很多场景下，收集大量的有标签的数据是非常昂贵、困难、甚至不可能的，比如医疗数据、手机上用户手动标注的数据等。是否能仅利用少量带标签的数据来训练就得到一个好的模型？这已经成为机器学习的发展中一个十分重要的课题，不论是学术界还是工业界都高度关注。

首先相信很多使用过python的人都或多或少地了解过Jupyter Notebook这个应用。Jupyter Notebook是一个开源Web应用程序，可让用户创建和共享包含实时代码、公式、可视化和叙 ...

目标检测是计算机视觉任务中的一个重要研究方向，是计算机视觉的根本性问题之一，是其他诸多计算机视觉任务的基础以及前提。本文主要介绍了目标检测数据集的几种标注格式和转换代码。

1. 前言本文是对Heo博主写的Butterfly魔改：动态分类条，可以根据页面变化而改变的分类列表展示方式文章的补充，增加了动态标签条，并且可以自动获取全站分类和标签名称。 2. 预览 3. 配置 ...

最近很多小伙伴留言想要`星空和流星特效`，于是写了这篇文章准备介绍如何部署。本文主要以Butterfly主题为例进行介绍。

iOS快捷指令版PicGo 功能：上传手机图片到Github，并将其在jsdelivr的CDN图片链接复制到剪切板。 当然我主要是为了方便发图片链接到哔哔😀。哔哔来自木木木木木，iOS哔哔发射捷径来 ...

2014年，arXiv上面刊载了一篇关于生成对抗网络的文章，名为《Generative Adversarial Nets》，作者是深度学习领域的大牛Ian J. Goodfellow。本文主要记录博主对于GAN及其基础变种的学习笔记，主要包括GAN，DCGAN的原理和实例，以及WGAN的基础原理。