本专栏主要是提供一种国产化图像识别的解决方案，专栏中实现了YOLOv5/v8在国产化芯片上的使用部署，并可以实现网页端实时查看。根据自己的具体需求可以直接产品化部署使用。

B站配套视频：https://www.bilibili.com/video/BV1or421T74f

学习本专栏内容需要准备以下硬件设备：

1、RK3588开发板

2、带有 显卡的电脑 或 租借显卡服务器 进行数据训练

3、网络摄像头，也可以使用 模拟视频流 替代

需要具备的编码知识（不需要精通，专栏中会提到部分基础知识）：python、C++、java、vue、sql

YOLO:简史

YOLO(You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而迅速受到欢迎。

2016 年发布的 YOLOv2 通过纳入批量归一化、锚框和维度集群改进了原始模型。

2018 年推出的 YOLOv3 使用更高效的骨干网络、多锚和空间金字塔池进一步增强了模型的性能。

YOLOv4 于 2020 年发布，引入了 Mosaic 数据增强、新的无锚检测头和新的损失函数等创新技术。

YOLOv5 进一步提高了模型的性能，并增加了超参数优化、集成实验跟踪和自动导出为常用导出格式等新功能。

YOLOv6 于 2022 年由美团开源，目前已用于该公司的许多自主配送机器人。

YOLOv7 增加了额外的任务，如 COCO 关键点数据集的姿势估计。

YOLOv8 是YOLO 的最新版本，由Ultralytics 提供。YOLOv8 YOLOv8 支持全方位的视觉 AI 任务，包括检测、分割、姿态估计、跟踪和分类。这种多功能性使用户能够在各种应用和领域中利用YOLOv8 的功能。

YOLOv9 引入了可编程梯度信息 （PGI） 和广义高效层聚合网络 （GELAN） 等创新方法。

YOLOv10 是由清华大学的研究人员使用该软件包创建的。 UltralyticsPython 软件包创建的。该版本通过引入端到端头（End-to-End head），消除了非最大抑制（NMS）要求，实现了实时目标检测的进步。

【第一章】YOLO使用（传统PYTHON部分）

1.1、YOLO介绍

1.2、 YOLOv5的介绍及使用（使用、训练、导出）

1.3、YOLOv8的介绍及使用（使用、训练、导出）

【第二章】国产化芯片部署（C++多线程部署含源码）

2.1、C++基础知识（编译、部署、搭建）

2.2、RK3588芯片介绍

2.3、视频处理基础知识（C++版本zlmediakit、ffmpeg、opencv）

2.3、在RK3588上部署YOLOv5视频流识别

2.4、在RK3588上部署YOLOv8视频流识别

【第三章】结合网页端进行产品化使用（java、vue、sql等含源码）

3.1、平台的搭建和部署

3.2、实现网页端视频流的实时查看

3.3、平台和设备之间的通信

【第四章】AI图像识别使用提升

4.1、魔改模型并导出部署

4.2、结合bytetrack实现目标的跟踪

4.3、在yolov8中实现人体姿态识别及物体姿态识别

4.4、在yolov8中实现图像分割