目标检测：YOLO 模型详解 YOLO 模型凭借其高效的端到端检测能力，在实时目标检测领域取得了显著的成果。：在前几代 YOLO 的基础上，对损失函数进行了进一步的优化和完善，使其能够更好地平衡边界框定位误差和类别分类误差之间的关系，并且针对不同尺度特征图的预测结果采用了不同的损失权重，以提高模型在不同尺度上的检测效果。：进一步改进了损失函数，采用了不同尺度特征图的损失加权求和的方式，使得模型在不同尺度上的检测结果都能够得到有效的优化，并且对边界框的坐标、宽度高度以及类别置信度的误差计算都进行了精细化的设计，以提高整体检测性能。

阅读 2.9k

19赞

收藏 31
【论文阅读 | CVPR 2024 |Fusion-Mamba ：用于跨模态目标检测】 跨模态融合通过有效整合不同模态的互补信息，显著提升了目标检测性能，使其在更广泛的应用场景中更具实用性和鲁棒性。现有融合策略通常通过精心设计的神经网络模块来结合不同类型的图像或融合不同主干特征。然而，这些方法忽视了模态差异对跨模态融合性能的影响 —— 由于不同模态的相机焦距、位置和角度差异，其特征难以有效融合。本文中，基于改进的 Mamba 与门控机制，通过在隐藏状态空间中关联跨模态特征来研究跨模态融合。我们设计了Fusion-Mamba 模块FMB。

阅读 1.1k

28赞

收藏 31
目标检测——行人/人体检测数据集 人体检测相关的数据集

阅读 773

3赞

收藏 3
SLICING AIDED HYPER INFERENCE AND FINE-TUNING FOR SMALL OBJECT DETECTION（切片辅助超推理和微调用于小物体检测）（纯翻译） 检测场景中的小物体和远处的物体是监控应用中的一大挑战。此类物体在图像中由少量像素表示，缺乏足够的细节，因此难以使用传统检测器进行检测。在这项工作中，提出了一个名为切片辅助超推理 (SAHI) 的开源框架，该框架为小物体检测提供了通用的切片辅助推理和微调管道。所提出的技术是通用的，因为它可以应用于任何可用的物体检测器而无需任何微调。

阅读 1.4k

21赞

收藏 24
遥感目标检测（RSOD）LEGNet: Lightweight Edge-Gaussian Driven Network for Low-Quality Remote Sensing Image Ob 3）背景：在复杂的视觉环境中，遥感目标检测面临着巨大挑战。这些降解因素共同影响了检测模型中的特征区分度，导致三个关键问题：（1）降低的对比度阻碍了前景-背景分离，（2）边缘表示中存在结构不连续，（3）由于光照变化引起的模糊特征响应。5）结果：在四个RSOD基准数据集（DOTA-v1.0、v1.5、DIOR-R、FAIR1M-v1.0）和一个无人机视角数据集（VisDrone2019）上的综合评估表明，LEGNet在性能上实现了显著提升，且在五个基准数据集上达到了最先进的性能。2）应用：遥感图像领域。

阅读 891

6赞

收藏 8
Yolo11环境配置win+Python+Anaconda--小白目标检测学习专用（超详细） 根据你的需求选择，如果有英伟达的GPU（显卡，比如RTX3060）那就选CUDA最新的版本，然后你还要把你的英伟达驱动更新到最新版本。直接点yolo旁边的【绿按钮】，再点击弹出来的【Open Terminal】就会打开环境终端了，接下来的操作都在这个黑框框里进行。如果下载失败或者非常慢，pytorch的包预计一分钟内下完，如果确定你的网络没问题的话，就看下一步配置清华大学镜像源。最后复制【Run this Command】的代码到你的环境终端（就那个黑框框）回车运行就开始下载安装了。

阅读 2.3w

80赞

收藏 309
【目标检测】Windows下深度学习环境的配置，超详细教程 首先在设备管理器中查看自己的显卡型号，比如在这里可以看到我的显卡型号为RTX 3060.得知以上的信息以后我们就可以去英伟达官网上去找相对应的显卡驱动下载了根据自己的电脑配置去选择驱动。Notebooks是指适用于笔记本版本。然后就是下载类型有两种，一个是Studio版本，一个是Game Ready版本，二者适用的范围不一样，根据自己的情况下载对于的即可。安装完成之后，按下WIN+R组合键，在cmdnvidia-smi如果输出下图所示的显卡信息，说明你的驱动安装成功。

阅读 1.1k

13赞

收藏 29
目标检测：AI人工智能推动金融科技发展 本文旨在系统性地介绍目标检测技术在金融科技领域的应用现状和发展前景。我们将涵盖从基础理论到实际落地的完整知识体系，重点分析该技术如何解决金融行业中的具体问题，如身份认证、票据识别、风险监控等。文章首先介绍目标检测的基本概念和技术原理，然后深入探讨其在金融场景的具体应用。我们将提供完整的代码实现和数学模型，最后讨论未来发展趋势。目标检测(Object Detection)：计算机视觉任务，不仅识别图像中的物体类别，还要确定其位置和边界框金融科技(FinTech)：利用技术创新改进金融服务的行业。

阅读 816

9赞

收藏 22
【机器学习】解密计算机视觉：CNN、目标检测与图像识别核心技术（第25天） 今天，我们将深入探索计算机视觉（Computer Vision, CV）这一激动人心的领域。计算机视觉的目标是让机器能够像人类一样“看懂”图像和视频。从人脸识别、自动驾驶到医疗影像分析，CV 技术已渗透到我们生活的方方面面。本文将系统梳理计算机视觉的核心技术，包括图像基础、关键的卷积神经网络（CNN）及其经典架构，并介绍主要的 CV 任务（如图像分类、目标检测、图像分割）及其代表性算法。无论您是刚接触 CV 的新手，还是希望系统巩固知识的进阶者，相信本文都能为您带来价值。

阅读 1.5k

48赞

收藏 46
YOLOv8目标检测在RK3588部署全过程 零基础YOLOv8部署在RK3588流程

阅读 1.7w

83赞

收藏 348
目标检测YOLO实战应用案例100讲-基于YOLOv5的目标检测与6D位姿估计算法研究(下) 本章提出了一个局部特征表征的6D位姿估计算法，算法整体结构如图5-1所示， 首先分别用ISS关键点提取法、3D Harris 关键点提取法、3D SIFT关键点提取法以及 NARF关键点提取法对采样后的点云模型提取关键点，通过对比关键点提取效果及运行 时间，选择3D Harris 关键点提取法提取点云模型中具有显著特征的关键点，然后根据 这些关键点对样本模型的对应位置的特征进行标注并编码，使得点云模型的关键点与 特征的中心点对应，分别用YOLOv5算法网络和第四章提出的YOLOv5-CBE算法网络 对局部特

阅读 1.2k

2赞

收藏 8
作者推荐
jessie的垃圾桶
记点什么有用的吧
关注
AI小怪兽
YOLO骨灰级玩家，公众号：计算机视觉大作战，1）YOLOv5、v7、v8、v9、v10、11优化创新，轻松涨点和模型轻量化；2）目标检测、语义分割、OCR、分类等技术孵化，赋能智能制造，工业项目落地经验丰富；订阅者私信添加本人微信！！！
关注
微光DeepLearning
深度学习数据集，毕设帮助，欢迎打扰
关注
不会仰游的河马君
主要致力于深度学习目标检测数据集，并有偿提供目标检测代标注服务（私信有惊喜） 说明：项目内容以简介为准，若涉及代码，需要您有一定的基础能够看懂代码，能够自行调试修改代码并解决报错。本人工作较忙不常在线，不提供答疑服务，如需远程部署200米起包运行。
关注
千里马不常有
种一棵树最好的时间是十年前，或者现在！
关注
牙牙要健康
深度学习领域小菜鸡
关注
昵称是6硬币
TA很懒，还没有添加简介
关注
悠悠海风
独立之精神，自由之思想
关注
weixin_55008315
毕业设计大作业定制制作微信pgp0520
关注
阿_旭
专注Python、人工智能相关内容研究分享。
关注