登录社区云，与社区用户共同成长
邀请您加入社区
接下来，将专注于目标检测，通过提取边界框来找到帧中各种目标的位置。与图像分类不同，目标检测网络能够在每帧中检测到多个不同的目标。默认使用的模型是基于MS COCO数据集训练的91类SSD-Mobilenet-v2模型，该模型在Jetson上结合TensorRT实现了实时推理性能。国内，由于“墙”的存在，对于我们这种处于起飞阶段的菜鸟来说就是“障碍”。对象接受图像作为输入，并输出检测到的边界框坐标列
目标跟踪是计算机视觉和人工智能领域的核心问题之一，其目的是在视频序列中估计目标的状态，例如位置、速度和姿态等。由于目标运动的复杂性和环境的不确定性，目标跟踪面临着诸多挑战，如遮挡、光照变化、噪声干扰等。为了克服这些挑战，本文将基于互补模型交互式多模型滤波（IMM）框架，结合常速模型（CT）卡尔曼滤波和匀加速模型（CV）卡尔曼滤波，构建一种更加鲁棒的跟踪系统。1. 概述目标跟踪是计算机视觉中的一个重
为了确定A和B之间的连接关系，我们可以沿着A和B之间的线段采样多个点，并计算这些点的PAF值。传统的姿态估计方法通常依赖于手工特征和复杂的模型，而近年来，深度学习技术的快速发展为姿态估计提供了新的解决方案。通过结合肢体标注和PAF的2D向量场特性，本文解释了如何确定身体部位之间的连接关系，并通过公式推导和通俗易懂的解释，使读者更好地理解PAF的工作原理和实现细节。通过对所有可能的肢体组合进行类似的
Visual Language Tracking (VLT)和single object tracking (SOT)任务是现在比较重要的任务，相关的数据集都是视频、BBox、文本描述这3者。（同样的，也可以理解为视频理解任务。数据集太小了，同时数据偏向某些任务。数据标注在一些情况下不标准，会误导模型。目标物体会在视频中移动，文本描述很难精确。在该文的观点，现有的标注的数据同样还存在的问题是，数据
开发人员、SRE 和 DevOps 专业人员面临的主要挑战之一是缺乏能够为他们提供应用程序堆栈可见性的综合工具。市场上的许多 APM 解决方案提供了监控基于语言和框架（即 .NET、Java、Python 等）构建的应用程序的方法，但在 C++ 应用程序方面却存在不足。幸运的是，Elastic 一直是可观察性领域的领先解决方案之一，也是 OpenTelemetry 项目的贡献者。Elastic 的
文献来源：摘要：针对多目标跟踪的联合概率数据关联（JPDA）滤波器基于一个假设，即最多一次测量来自目标对象。然而，随着高分辨率传感器的发展，经常出现从单个对象获取多个空间分布的检测情况。为了应对这一新兴的数据关联挑战，本文提出了基于Poisson空间测量模型的用于扩展对象的JPDA方法。通过放宽一个目标最多得到一个测量的约束，可以在测量和目标数量的线性复杂度下获得边际关联概率。该方法与基于分区的多
形状参数化：星凸集合S(pk)S(pk)由中心点mkmk和径向函数r(pk,ϕ)定义，其中ϕ为极角，pk为傅里叶系数向量。量测生成模型：量测点zk,lzk,l由边界缩放因子sk,l和噪声vk,l生成：其中R(ϕ)为旋转矩阵，η(ϕ)为单位方向向量。状态估计：结合容积卡尔曼滤波（CKF）或Unscented Kalman滤波（UKF）实现非线性状态更新，同步优化运动状态与形状参数。优势灵活性：
常用Onnx模型解析，批量下载onnx模型。
在行人重识别（ReID）任务中，CMC（Cumulative Matching Characteristic）和mAP（mean Average Precision）是两个核心评估指标。
本文介绍了一个基于Python的屏幕目标追踪系统，可实时识别并跟随纯橘色圆形目标。系统采用MSS库截取屏幕，OpenCV进行颜色识别和形状判断，PyAutoGUI控制鼠标移动。核心功能包括：1)周期性截屏；2)HSV颜色空间过滤橘色目标；3)轮廓分析判断圆形度；4)计算中心坐标并移动鼠标。开发环境建议使用Anaconda创建虚拟环境，安装必要的Python库。文中还提供了调试方法和性能优化建议，如
摘要本文考虑了使用相控阵雷达跟踪多目标的联合阵列资源分配和发射波束设计方法。首先，通过解决一个约束优化问题来完成阵列分配，该问题旨在最小化总跟踪克拉美尔-拉奥下界，其中天线数量是一个约束条件。我们通过检查Karush-Kuhn-Tucker条件开发了解决这个问题的过程。基于分配的阵列资源，我们开发了一种具有空间导向能力的新型发射波束设计方法。给定功率预算和空间导向约束，提出了发射信号模型和优化目标
针对这一趋势，Ultralytics团队在最新版YOLO v8.3.146中隆重推出了“灰度图目标检测”完整支持，极大地拓展了YOLO系列的应用边界，助力用户在更多灰度场景中实现高效精准的目标识别。YOLO v8.3.146于2025年5月28日发布，本次更新以“全方位支持灰度图目标检测”为目标，突出发布了全新的COCO8-Grayscale数据集，以及专用于灰度图的YOLO11n型号模型。同时，
目标检测是计算机视觉任务中一个具有挑战性的方向。尽管在过去十年中目标检测在自然场景中有了重大突破，但是在航拍图像的进展是十分缓慢的，这不仅是因为地球表面相同类别物体的规模、方向和形状有着巨大的差异，而且还因为缺少航拍影像中目标对象的标注信息。为了推进“Earth Vision”（也称为“地球观测和遥感”）中目标检测的研究，我们提出了用于航拍影像中用于目标检测的大规模数据集（DOTA）。
特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。【目标检测】水管和水管漏水检测数据集24426张YOLO-VOC格式（已增强）压缩包内含：3个文件夹，分别存储图片、xml、txt文件。Annotations文件夹中xml文件总计：24426。JPEGImages文件夹中jpg图片总计：24426。labels文件夹中txt文件总计：24426。标签名称:["
点击下方卡片，关注“小白玩转Python”公众号在过去，你必须自己训练模型，收集训练数据，但现在许多基础模型允许你在它们的基础上进行微调，以获得一个能够检测目标并与用户用自然语言互动的系统。有数百种模型和潜在应用场景，目标检测在这些场景中非常有用，尤其是随着小型语言模型的兴起，所以今天我们将尝试使用MLX上的Qwen2-VL-7B-Instruct-8bit。我们将使用MLX-VLM，这是由Pri
本项目开发了一套基于YOLOv8目标检测算法的可视化植物病害智能检测系统，专门用于识别和分类30种不同的植物叶片病害。系统训练数据集包含2009张训练图像和246张验证图像，涵盖了苹果、蓝莓、樱桃、玉米、桃子、土豆、大豆、草莓、番茄、葡萄等多种常见经济作物的叶片健康状态和病害表现。该系统能够实时检测植物叶片图像中的病害特征，准确识别特定病害类型，为农业生产者、园艺工作者和农业研究人员提供快速、准确
本项目基于YOLOv8目标检测算法，开发了一套高效、实时的口罩佩戴检测系统，能够准确识别图像或视频流中的人员是否佩戴口罩。系统共检测2类目标"Without a mask"（未佩戴口罩）和"Wear a mask"（佩戴口罩），适用于公共场所的疫情防控、智能安防、出入口管理等场景。本系统采用6,732张训练图像和1,227张验证图像进行模型训练，确保检测的准确性和泛化能力。系统支持实时视频流检测。
本文介绍了无监督图像分割技术，重点探讨了两种经典算法：基于k均值的图像分割和基于归一化割的图切割算法。k均值方法通过迭代优化将像素聚类为指定数量的区域，改进版通过加入坐标信息提升了分割连续性。图切割算法则将分割转化为最小割问题，通过能量函数优化实现前景背景分离。文章还展示了使用SAM（Segment Anything Model）进行高级分割的实践，包括自动分割和交互式点击选择目标两种方式。实验结
学习笔记
本文详细介绍了基于DepGraph依赖图的YOLOv8模型剪枝方法。首先概述了模型剪枝的概念、类型及其重要性，然后深入解析了DepGraph依赖图的构建原理与剪枝流程。针对YOLOv8的架构特点，提供了完整的剪枝实战指南，包括环境准备、模型加载、依赖图构建、剪枝策略设计及微调等关键步骤。通过模型大小、推理速度和精度评估验证了剪枝效果，并分享了分层剪枝、渐进式剪枝等高级技巧。最后讨论了常见问题解决方
为解决传统目标检测在复杂环境下效果不佳等问题，研究者们提出了多模态融合目标检测。通过整合来自多个传感器的数据，充分利用不同传感器的优点，多模态融合目标检测能够更全面地捕捉目标信息，显著提高检测的准确性和鲁棒性，以及模型在各种环境条件下的适应能力。
本文详细介绍了基于YOLO目标检测的完整实践流程，包含训练、测试和预测三个核心环节。通过ultralytics库实现YOLO模型训练时，需指定模型配置、数据集文件和预训练权重；验证阶段可评估模型性能指标；预测阶段可生成带检测框的结果图。文章提供了清晰的代码示例和实用建议，如使用小模型快速调试、合理设置保存周期等。整体流程直观易用，适合初学者快速上手YOLO自定义数据集训练。
YOLO系列模型在小目标检测领域取得多项突破性进展。LAM-YOLO通过光照遮挡注意力机制和改进损失函数，在无人机图像检测中精度提升7.1%；YOLO-TLA采用专用检测层和轻量化模块，显著提升小目标识别能力。研究还系统评估了不同YOLO版本在不同硬件上的性能表现，提出分片推理等优化方法。针对特殊应用场景，基于YOLONASSmall的盲人辅助系统实现低延迟高精度的室内小物体检测。这些创新不仅提升
YOLO（You Only Look Once）是一种实时目标检测的算法，该算法可以迅速而准确地在图像或视频中识别和定位多个目标。该算法的目标检测过程采用单一卷积神经网络，通过将输入图像划分为网格，并在每个网格单元中预测边界框及其对应的类别概率来完成检测任务；YOLO算法的主要特点是快速和准确。相比于传统的目标检测方法，YOLO算法将目标检测任务转化为一个单一的回归问题，因此能够实时地进行检测，实
yolov8+deepsort（yolo目标检测+自适应卡尔曼滤波追踪+毕业设计代码）
这种高效的信息提取手段显著缩短了医生的诊断时间，即使在高并发情况下，系统也能保持500毫秒以内的响应时间，确保了医疗流程的高效运行。专注于心血管疾病管理的某专科医院，通过思通数科的OCR系统，实现了患者信息的自动化处理和历史数据的标准化管理。思通数科的OCR技术为医疗机构提供了一种创新的解决方案，通过智能识别和处理医疗文档，极大地提高了医疗文档管理的自动化和智能化水平。思通数科的OCR技术为医疗行
深度学习环境配置指南 本文介绍了深度学习开发所需的硬件选型和软件环境配置。硬件方面详细讲解了GPU、CPU、内存和硬盘的选择标准，提供了从入门到专业的设备推荐表。软件部分重点介绍了CUDA和cuDNN的安装步骤，包括版本选择、下载安装和验证方法。文章还简要提及了PyTorch等深度学习框架的兼容性考虑，为读者搭建完整的深度学习开发环境提供了实用指导。
计算两个矩形框的交并比, 计算多个预测框和真实框的交并比
相似度可以定义为两张图片之间差异的程度。通常情况下，相似度值越低，表示两张图片越相似；反之，相似度值越高，则表示两张图片差异越大。在实际应用中，相似度的计算方式多种多样，例如基于像素值的比较、特征提取后的余弦相似度等。本文介绍了如何使用 Python 的 PIL 库来计算两张图片的相似度。通过均方误差的方法，我们可以快速评估两张图片之间的差异程度。当然，根据具体应用场景的不同，可以选择更加复杂和准
图2给出了基于角度参数化旋转边界框的两种流行定义：由DocD_{o c}Doc表示的OpenCV协议和由DlϵDlϵ表示的长边定义。注意，前者的θ∈−90∘0∘θ∈−90∘0∘表示边界框的wocw_{o c}woc与x轴之间的锐角或直角。相比之下，后者的θ∈−90∘90∘θ∈−90∘90∘是边界框长边wlew_{l e}wle与x轴之间的角度。Dlewlehleθ。
目标跟踪
——目标跟踪
联系我们（工作时间：8:30-22:00）
400-660-0108 [email protected]
天启AI社区
魔乐社区
DAMO开发者矩阵
讯飞AI开发者社区
