往期文章总结
作者：互联网
本打算将 CSDN 的博客，全部搬迁到这里，但是无法自动搬迁，需要我重新敲，最麻烦的可能是公式需要重新敲，因为CSDN的公式全部变成了 图片。这是我无法做到的。
因此，本文只是整理下，往期我写的东西的链接。也算梳理一下觉得对我有点用的东西。
1. 深度学习核心概念和组件
1.3 FPN：论文阅读
1.4 批量归一化和层归一化
2. 目标检测之YOLO
2.1 YOLO_V1:总结
2.2 YOLO_V2：论文阅读
2.3 YOLO_V2:总结
2.4 YOLO_V3：论文阅读
2.5 YOLO_V3:总结
2.6 YOLO_V4:论文阅读
2.7 YOLO_V4:第二篇：YOLO v4 架构以及网络详解
2.8 YOLO_V4:第三篇：更多细节
2.9 YOLO_V4:第四篇：总结
2.10 YOLO v5:训练自定义数据集
2.11 YOLO v5:v5.0-yolov5s网络架构详解(第一篇)
2.12 YOLO v5:5.0v-yaml 解析及模型构建(第二篇)
2.15 YOLO v5:v6.0-yolov5s网络架构详解(第一篇)
2.17 YOLO v5:v6.0-P6 1280 Models(第三篇)
2.18 YOLO v5:训练最好结果的技巧
2.19 YOLO v5:yolov5s TensorRT部署准备之ONNX导出(第一篇)
2.20 YOLO v5:v6.1实践过程
2.21 YOLO v5:Multi-GPU 训练
2.22 YOLO v5:Test-Time Augmentation (TTA) 教程
2.23 PP-YOLO：论文阅读
2.24 博客阅读：Introduction to the YOLO Family
2.25 YOLOX:论文阅读
2.26 YOLOv7:论文阅读
3. 部署加速
3.1 目标检测预处理高性能实现
3.2 优化sigmoid
3.4 优化小技巧-softmax
3.6 Python、PyTorch和TensorRT技术栈
4. 人脸检测和识别
4.1 RetinaFace:论文阅读
4.2 ArcFace:论文阅读
5. 神经网络架构
5.4 Resnet 代码详解
5.5 轻量化模型：squeezenet
5.9 Transformers are RNNs(linear transformer)：论文阅读
6. 目标检测之其他模型
6.1 CenterNet：论文阅读
7. 时间序列预测及异常检测
7.3 Informer: 论文阅读
7.4 Are Transformers Effective for Time Series Forecasting?:论文阅读
7.5 Autoformer 代码详解之[1]数据预处理及数据读取
7.6 Autoformer 代码详解之[2]模型部件之时间序列分解
7.7 Autoformer 代码详解之[3]模型整体架构分析
7.9 ESRNN:论文阅读
7.10 Kaggle 时间序列教程
7.11 Anomaly-Transformer (ICLR 2022 Spotlight)复现过程及问题
7.12 Anomaly Detection for IoT Time-Series Data: A Survey: 论文阅读
7.13 【日志异常检测】DeepLog: Anomaly Detection and Diagnosis from System Logs through Deep Learning:论文阅读
7.14 【时间序列数据增强】Time Series Data Augmentation for Deep Learning: A Survey:论文阅读
8. python 基础知识
8.2 python 迭代、可迭代对象、迭代器、for内部机制剖析、生成器
8.3 python 知识
9. C++
9.1 C++学习笔记
10. Pytorch
10.1 pytorch基础知识
11. 日常杂记
11.1 日常笔记
11.2 远程服务器(ubuntu20.04)+docker容器内jupyter远程使用
标签：总结,YOLO,模型,论文,详解,v5,阅读,文章,往期 来源： https://www.cnblogs.com/odesey/p/16585323.html