深度学习环境搭建笔记(一)：detectron2安装过程
这篇博客文章详细介绍了在Windows环境下，使用CUDA 10.2配置深度学习环境，并安装detectron2库的步骤，包括安装Python、pycocotools、Torch和Torchvision、fvcore，以及对Detectron2和PyTorch代码的修改。
手把手教你使用YOLOV5训练自己的目标检测模型
本教程由肆十二（dejahu）撰写，详细介绍了如何使用YOLOV5训练口罩检测模型，涵盖环境配置、数据标注、模型训练、评估与使用等环节，适合大作业及毕业设计参考。提供B站视频、CSDN博客及代码资源链接，便于学习实践。
【大作业-04】手把手教你构建垃圾分类系统-基于tensorflow2.3
本文介绍了基于TensorFlow 2.3的垃圾分类系统，通过B站视频和博客详细讲解了系统的构建过程。系统使用了包含8万张图片、245个类别的数据集，训练了LeNet和MobileNet两个卷积神经网络模型，并通过PyQt5构建了图形化界面，用户上传图片后，系统能识别垃圾的具体种类。此外，还提供了模型和数据集的下载链接，方便读者复现实验。垃圾分类对于提高资源利用率、减少环境污染具有重要意义。
【大作业-03】手把手教你用tensorflow2.3训练自己的分类数据集
本教程详细介绍了如何使用TensorFlow 2.3训练自定义图像分类数据集，涵盖数据集收集、整理、划分及模型训练与测试全过程。提供完整代码示例及图形界面应用开发指导，适合初学者快速上手。[教程链接](https://www.bilibili.com/video/BV1rX4y1A7N8/)，配套视频更易理解。
【大作业-02】水果蔬菜识别系统-基于tensorflow2.3开发
2021年6月18日，TensorFlow 2.3物体分类代码已修复并更新。本项目支持自定义数据集训练，包括基于CNN和Mobilenet的模型，后者准确率高达97%。提供了详细的CSDN教程、B站教学视频及数据集下载链接，帮助用户快速上手。项目还包括PyQt5构建的图形界面，方便用户上传图片进行果蔬识别。更多详情与代码可在Gitee获取。
聊一聊计算机视觉中常用的注意力机制以及Pytorch代码实现
本文介绍了几种常用的计算机视觉注意力机制及其PyTorch实现，包括SENet、CBAM、BAM、ECA-Net、SA-Net、Polarized Self-Attention、Spatial Group-wise Enhance和Coordinate Attention等，每种方法都附有详细的网络结构说明和实验结果分析。通过这些注意力机制的应用，可以有效提升模型在目标检测任务上的性能。此外，作者还提供了实验数据集的基本情况及baseline模型的选择与实验结果，方便读者理解和复现。