Tipriest的博客

Ultralytics 8.3.0版本发布了丰富的模型资源，主要包括分割模型（SAM系列、MobileSAM、FastSAM）和YOLO系列模型。YOLO系列涵盖检测、分割、姿态、分类和旋转框等多种任务，包含YOLOv3/v5兼容模型、YOLOv8/v9/v10主力模型以及最新的YOLOv11家族。其中YOLOv11作为重点更新，提供检测、分割、姿态、分类和旋转框检测的全套解决方案。模型按规模分为nano/small/medium/large/xlarge，用户可根据计算资源选择合适版本。该版本还包含校准数

摘要 开放词汇检测（Open-Vocabulary Detection）是YOLO系列中允许在推理时通过文本输入（如classes.txt）动态指定检测类别的功能，包括训练时未见的新类别。主要实现包括： YOLO-World系列（YOLOv8-World等） YOLO-OV/OVD等论文变体 Grounding-YOLO系列 YOLO+CLIP社区版本 该功能通过视觉-文本特征匹配实现，区别于传统YOLO固定类别的检测方式。关键词包括开放词汇检测、文本引导检测等。

得益于 YOLOv8 优秀的 backbone 和 neck 设计，YOLOv8-World 在实现开放词汇检测的同时，依然保持了极高的推理效率。官方提供的 YOLOv8-World 模型是在大规模视觉-语言数据集（如 Objects365、GLD、ImageNet等）上进行预训练的，具备了强大的通用概念理解能力。：与传统的 YOLOv8l 在 COCO 上训练得到的模型相比，YOLOv8-L-World 在零样本设置下性能略有差距，这是因为它需要泛化到未见过的数据分布。为例，对其性能进行剖析。

UVC（USB Video Class）摄像头支持的视频格式取决于设备的具体实现，但通常遵循UVC标准规范。UVC标准规范支持的摄像头格式可以主要分为压缩过的和未压缩的两种，未压缩格式有YUY2 / YUYV和NV12 / NV21等，压缩过的格式有MJPEG（Motion JPEG）H.264（UVC 1.5及以上支持）和H.265等格式，在这里着重讲解一下MJPEG和YUYV两种格式。

​通常，摄像头在系统中会被识别为设备文件，比如等。用户可能有多个摄像头，比如内置摄像头和外接USB摄像头，这时候每个摄像头会被分配不同的设备号。

在一般情况下，能用矩阵运算来实现的操作就尽量避免使用for循环，因为不论是GPU还是CPU，矩阵运算都是可以并行处理的，开销更小，因此，这里我们采用一个讨巧的等价方法。在代码4-5中，cfg是模型的配置文件，feat_dim变量是主干网络输出的特征图的通道数，这在后续的代码会使用到。至此，我们填补了之前留下来的空白，只需要将上面实现的每一个函数放置到YOLOv1的代码框架中，即可组成最终的模型代码。的形式，因为在讲解YOLOv1的前向推理的代码时，输出的txtytwth_pred的维度被调整为。

改进的SPP模块的网络结构设计参考了YOLOv5开源项目中的实现方法，让一层5×5的最大池化层等效于先前讲过的5×5、9×9和13×13这三条并行的最大池化层分支，从而降低计算开销，这也和之前所讲的空间金字塔的特性相同，通过逐层卷积能够从小到大找到不同尺寸的目标，再将不同的卷积结果叠起来进行最终的输出。前面已经讲过，将图像分类网络用作目标检测网络的主干网络时，通常是不需要最后的平均池化层和分类层的，因此，这里去除ResNet-18网络中的最后的平均池化层和全连接层，，其中通道维度上的1表示边界框的置信度，

因此，YOLOv1会先对真实的边界框的宽和高做归一化处理，在做过归一化处理之后，由于边界框的尺寸不会超出图像的边界（超出的部分通常会被剪裁掉）​，归一化后的边界框的尺寸就在0～1范围内，与边界框的中心点偏移量的值域相同，这样既避免了损失过大所导致的训练发散问题，又和其他部分的损失取得了较好的平衡。非极大值抑制的思想很简单，对于某一类别目标的所有边界框，先挑选出得分最高的边界框，再依次计算其他边界框与这个得分最高的边界框的IoU，超过设定的IoU阈值的边界框则被认为是重复检测，将其剔除。

YOLO目标检测系列的学习记录