YOLO
YOLO 详解：基于深度学习的物体检测
引言本文介绍了YOLO（You Only Look Once），一种基于卷积神经网络（CNN）的物体检测模型。 与依赖基于分类方法的传统物体检测模型不同，YOLO通过基于回归的方法直接推断边界框来预测物体位置。 这种端到端的CNN模型以其卓越的处理速度和高预测精度脱颖而出，在这两方面都优于许多现有的物体检测架构。
YOLO、SSD 和 Faster R-CNN 三种方案实现物体识别的对比
本文旨在开发一个能够准确检测和分割视频中物体的计算机视觉系统。 我将使用最先进的三种SoA（State-of-the-Art）方法：YOLO、SSD和Faster R-CNN，并评估它们的性能。 然后，我通过视觉分析结果，突出它们的优缺点。
微调 YOLO 做车辆、人员、交通标志检测 | 附代码+数据集
目标检测在计算机视觉中是一个至关重要的任务，而YOLO（You Only Look Once）因其速度和准确性而脱颖而出。 在本指南中，我将带你了解如何微调一个YOLO模型，以检测各种道路标志和物体，例如：车辆行人不同颜色的交通灯人行横道速度限制标志禁止标志警告标志本指南适用于使用Linux的用户。 对于Windows用户，Poetry和Cuda的安装可能会有所不同。
解决方案：结合 YOLO 和 TensorFlow 做目标检测和图像分类
目标检测和图像分类是两个不同的任务，每个任务都有其特定的用途。 在本文中，我将向你解释什么是目标检测和图像分类，如何训练模型，最后，我将同时使用目标检测和图像分类模型来分类和检测狗的品种。 目标检测 图像分类目标检测目标检测是一项基本的计算机视觉任务，用于检测和定位物体。
超图计算+目标检测，性能新SOTA！清华发布Hyper-YOLO：用超图捕捉高阶视觉关联
YOLO（You Only Look Once）系列是目标检测领域中的主流方法，以其高效性和实时性而著称。 然而，现有的YOLO模型在处理跨层特征融合和复杂的高阶特征关系时存在局限，无法充分捕捉跨位置和跨尺度的复杂特征关联。 为了解决这一难点，清华大学提出了Hyper-YOLO：一种基于超图计算的目标检测方法。
提升 YOLO 模型：使用 Albumentations 进行高级数据增强
在计算机视觉领域迅速发展的今天，YOLO（You Only Look Once）模型已成为实时目标检测任务的热门选择。 从自动驾驶到视频监控，YOLO模型因其速度和准确性而表现出色。 然而，与任何机器学习模型一样，训练数据的质量极大地影响着它们的性能。
使用 YOLO 和 EasyOCR 从视频文件中检测车牌
本文将介绍如何通过Python中的YOLO（ou Only Look Once）和EasyOCR（光学字符识别）技术来实现从视频文件中检测车牌。 本技术依托于深度学习，以实现车牌的即时检测与识别。 从视频文件中检测车牌先决条件在我们开始之前，请确保已安装以下Python包：复制实施步骤步骤1：初始化库我们将首先导入必要的库。
利用 YOLO11 做停车管理
对于繁忙的城市和公共场所来说，有效管理停车至关重要。 传统方法常常跟不上需求，导致拥堵和挫败感。 随着人工智能的进步，我们现在有了YOLO，这是一个强大的目标检测工具，可以用来改进停车管理系统。
- 1