我的创作纪念日–AI小怪兽打怪进阶路

目录

自我介绍

希望您持续关注AI小怪兽的不断进化、打怪！！！

AI小怪兽：1）YOLO骨灰级玩家，YOLOv5、v7、v8优化创新，复现计算机视觉顶会，创新科研涨点小能手；2）就职于智能制造与数智创新企业，工业界项目落地、部署经验丰富，为半导体、3C等行业部署过几十个项目；

时间轴

第一篇基于YOLOv5的绝缘子检测，当初只是想简单记录一下，并没有想过在CSDN创作的想法

 后续断断续续在CSDN更新过几篇（主要还是记录为主，项目级别实战为主）

2023年3月13日  正式在CSDN进行创作

收获

在创作的过程中都有哪些收获?

1. 获得了14000+粉丝，其中2600+铁粉（感谢各位的关注）；
2. 共发表375篇博客，其中369篇发表于2023年；
3. 所有博客，算是一种积累、记录吧，在工作中AI小怪兽也会翻看自己的博客快速进行项目开展；
4. 认识了一些志同道合的好友，也拓展了自己的视野和认知；

 5.杭州原力榜第1名，全站原力榜第7名

日常

当前创作和你的工作、学习是如何的结合

1. 创作已经是你生活的一部分了，模型的魔改在日常项目中取得精度的提升，也会第一时间发表在博客中；

成就

最近部署的项目举例展开？ 请用代码块贴出来

在某客户工业缺陷检测项目中，要求：1）GPU C++部署；2）检测准确度99%以上，单张推理耗时≤80ms，难点样本数量少，检测缺陷为小目标检测

检测目标

部署方案：多头检测器+大小缺陷一网打尽GiraffeDet+Wasserstein Distance Loss，助力工业缺陷检测，大幅提升产线检测能力  

核心代码：

# Ultralytics YOLO 🚀, GPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect

# Parameters
nc: 1  # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024]  # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024]  # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768]   # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512]   # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512]   # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
# YOLOv8.0s backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]]  # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]]  # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]]  # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]]  # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]]  # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]]  # 9
 
# YOLOv8.0s head
head:
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 6], 1, Concat, [1]]  # cat backbone P4
  - [-1, 3, CSPStage, [512]]  # 13
 
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 4], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, CSPStage, [256]]  # 17 (P3/8-small)
 
  - [-1, 1, nn.Upsample, [None, 2, 'nearest']]
  - [[-1, 2], 1, Concat, [1]]  # cat backbone P3
  - [-1, 3, CSPStage, [128]]  # 20 (P4/16-medium)
 
  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 15], 1, Concat, [1]]  # cat head P4
  - [-1, 3, CSPStage, [256]]  # 20 (P4/16-medium)
 
  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 12], 1, Concat, [1]]  # cat head P5
  - [-1, 3, CSPStage, [512]]  # 23 (P5/32-large)
 
  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]]  # cat head P5
  - [-1, 3, CSPStage, [1024]]  # 23 (P5/32-large)
 
  - [[18, 21, 24,27], 1, Detect, [nc]]  # Detect(P3, P4, P5)

详见：基于YOLOv8的端面小目标计数解决方案: 多头检测器+小缺陷到大缺陷一网打尽的GiraffeDet+Wasserstein Distance Loss | 助力工业小目标缺陷检测-CSDN博客

憧憬

希望您继续持续关注AI小怪兽的不断进化、打怪！！！

会在CSDN持续创作，分享1)YOLOv5、v7、v8优化创新，复现计算机视觉顶会，创新科研；2）项目中实战经验和不同环境部署（主要是C++和C#）；

YOLOv5、v7、v8各个专栏会持续更新下去

强烈推荐以下专栏：

YOLOv5/YOLOv7魔术师：http://t.csdn.cn/ZjdwA

YOLOv8魔术师：http://t.csdn.cn/cGMj2

YOLOv7高阶自研： http://t.csdnimg.cn/drage

YOLOv5/YOLOv7/YOLOv8最新改进大作战：http://t.csdn.cn/ZkgsM

YOLO小目标检测：http://t.csdn.cn/9VysZ

Tips

1. 您发布的文章将会展示至 里程碑专区 ，您也可以在 专区 内查看其他创作者的纪念日文章
2. 优质的纪念文章将会获得神秘打赏哦