- 综合排序
- 最热优先
- 最新优先
AbMole详解： DNP-BSA--免疫学研究与检测的得力助手
AbMole的DNP-BSA（M58157，AbMole，2,4-二硝基苯基-牛血清白蛋白）作为一种重要的免疫学工具，在很多领域中都有着重要的作用。 这些抗体可以用于后续的免疫学实验，例如检测抗原抗体反应、研究抗体的特异性和亲和力等。 四、免疫检测和免疫层析免疫层析技术是一种基于抗原抗体特异性反应的膜检测方法。它以硝酸纤维素膜为固定相，该膜上固定有检测线（包被抗体或抗原）。 在流动相的作用下，待测物首先与荧光标记的抗体或抗原结合，随后在到达检测线时与包被的抗体或抗原结合，形成荧光或胶体金条带，从而实现检测目的。 DNP-BSA（M58157，AbMole，2,4-二硝基苯基-牛血清白蛋白）可满足免疫层析中的胶体金检测或免疫荧光检测，目前是很多免疫层析产品（抗原检测、病毒检测）中重要的质控系统。图2.
13910编辑于 2025-11-19- 来自专栏DrugOne
Immunology | 群体免疫学：在人类免疫学中利用区块链技术和人工智能
人类免疫学可能很快就会从人工智能和区块链技术的使用中受益。在这里，作者讨论了群体学习如何通过分享见解而非数据，来促进全球免疫学合作研究，充分尊重当地数据隐私法规。 几十年来，免疫学研究得益于高度标准化的动物模型。然而，随着知识的增加，从模型系统到人类疾病的转换问题越来越难，而且失败率较高。 一个协调一致的系统免疫学计划可以轻松地在全球范围内收集人类样本，并创建大型人类群体，为研究人类疾病的分子机制提供足够的数据。 此外，这种SL支持的国际活动将极大地受益于人类免疫学数据标准化的改进。开发能够方便访问SL项目的平台将促进该领域的发展。 尽管如此，人类免疫学研究真正一体化时代即将开始。 参考资料 Schultze, J.L., Büttner, M. & Becker, M.
40820编辑于 2022-11-28 - 来自专栏燧机科技-视频AI智能分析
yolov5 摔倒检测 跌倒识别检测
摔倒检测跌倒识别检测基于YOLOv5技术来实现的图像识别，是计算机视觉的基础算法，例如VGG，GoogLeNet，ResNet等，这类算法主要是判断图片中目标的种类。 目标检测算法和图像识别算法类似，但是目标检测算法不仅要识别出图像中的物体，还需要获得图像中物体的大小和位置，使用坐标的形式表示出来。 图片mmpose不同于yolo，SSD等目标检测模型，在视频中进行关节点检测的速度要小于目标检测，即使在边缘计算的盒子上进行部署，也很难对人群进行大规模的关键点检测和判断，因此关键点检测常用于智能运动检测等小规模人群场景 ，图上所示是先使用yolo进行预判断图片openpose和其他关键点检测模型只是给出人体各个器官的点位坐标，而具体需要识别什么，就要自行通过这些坐标进行算法设计，比如引体向上计数，可以通过判断头部节点与肘部节点的坐标进行判断计数 ，对于摔倒，可以通过判断视频前后帧的头部，腰部等关节点进行检测，判断是否摔倒。
1.5K00编辑于 2022-12-05 【免疫学笔记】血球凝集和血型分型
抗免疫球蛋白抗体由RobinCoombs 首次开发，因此这种疾病检测方案称为库姆斯试验（Coombs test）。 因此，抗人免疫球蛋白抗体未被开发出来之前，检测抗Rh 抗体很困难。库姆斯试验能直接检测与胎儿红细胞表面结合的抗体。 具体方法是在去除胎儿血清中存在的未结合免疫球蛋白后，直接添加抗人免疫球蛋白抗体以检测与母体抗体结合的胎儿红细胞（图2）。 抗Rh抗体不凝集红细胞，但它们在胎儿红细胞表面存在，可以通过洗去未结合的免疫球蛋白，然后加入对人免疫球蛋白的抗体来检测。 通过这种检测，医生可以及时发现并干预，保护胎儿健康。
22610编辑于 2025-12-29- 来自专栏机器学习AI算法工程
YOLOv5：道路损伤检测
道路损伤检测任务是对几种道路损伤进行检测，不仅要分类出损伤类别，还要定位到损伤的位置，故实质是一个目标检测问题。 项目体验地址 https://loveai.tech IMSC团队(Hedge等，来自美国南加州大学和约旦德国约旦大学)，提出方法基于 ultralytics-YOLO (u-YOLO) [YOLOv5, ，而如果用每幅图像的检测时间来衡量，该方法在检测速度方面是最差的。
2.1K50发布于 2021-07-14 【免疫学实验】“Western Blot”的前世今生:免疫印迹技术简述
它不需要对细胞进行放射性标记，而是通过“分离-转移-检测”三部曲来锁定目标蛋白。 检测： 这一步与免疫荧光或ELISA类似。利用特异性抗体去寻找膜上的目标蛋白，再通过酶标记的二抗来放大信号，最终呈现出我们能看到的条带。 ❓ 二、 为什么叫“Western”？ 你可能会好奇，为什么这项检测蛋白质的技术会被命名为“Western”（西方）？ 临床诊断： 常用于检测血清中的特定蛋白质或抗体。 典型案例： 在 HIV（艾滋病病毒） 的确诊检测中，Western Blot 是一种经典的确认试验。 它能够检测患者血清中是否存在针对 HIV 不同成分（如衣壳蛋白、酶等）的特异性抗体，从而提供确凿的诊断依据。
40410编辑于 2025-12-29- 来自专栏机器学习AI算法工程
yolov5小目标检测-提高检测小目标的检测精度
向AI转型的程序员都关注了这个号 YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。 CSP结构； Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构； Head输出层：输出层的锚框机制与YOLOv4相同，主要改进的是训练时的损失函数 YOLOv5的网络结构 github 链接 https://github.com/ultralytics/yolov5 下载之后按照其中的README.md文件进行配置和设置。 YOLOv5数据集的设置 对yolov5/data/buy.yaml文件进行配置 其中 1：yours数据集的根目录 2：代表生成yolo要求的txt文件 3: 提高小目标检测的基本思想 1、数据加强 2、滑动窗口检测：将图片分割为n个小区域分别检测，最后在concat成正常图像大小。本文也是主要介绍这种思想。
3K12编辑于 2024-02-05 - 来自专栏往期博文
【目标检测】YOLOv5分离检测和识别
前言 YOLO作为单阶段检测方法，可以直接端到端的输出目标对象位置和类别，而在一些大型无人机遥感等目标检测任务中，使用单阶段检测往往会产生类别预测错误的问题。 正好，YOLOv5-6.2版本提供了一个图像分类的网络，那么就可以借此将YOLOv5进行改造，分离检测和识别的过程。 然后运行detect.py，注意save-crop参数设为True，检测完之后，可以得到输出结果： 数据分类 下面进入到二阶段的图像分类的训练，在开始之前，需要拉取YOLOv5仓库的最新版本，注意不要拉取 总结 使用二阶段目标检测带来的明显好处是： 类别划分更加精准 对于虚检目标可以有效剔除 不过存在的问题是： 目标尺寸变化范围大时，很难确定输入图片的合适大小 对于图像边缘目标，容易造成误判 附录：YOLOv5s 使用python export.py --weight yolov5s.pt --include onnx将其转换成onnx格式后，可以用Netron打开查看其结构： 可以看到，yolov5s6在模型最后的输出部分新增了一个检测头
1.8K21编辑于 2022-11-14 - 来自专栏往期博文
【目标检测】YOLOv5推理加速实验：图片批量检测
前言 上篇博文探究了一下多进程是否能够对YOLOv5模型推理起到加速作用，本篇主要来研究一下如果将图片批量送入网络中进行检测，是否能对网络的推理起到加速作用。 YOLOv5批量检测源码解析 YOLOv5在训练过程中是可以进行分批次训练(batch_size>1)，然而在默认的推理过程中，却没有预留batch_size的相关接口，仍然只是单张图一张张进行检测推理 实际进行检测的代码块在yolo.py文件中的_forward_once方法。 速度比较 下面使用RTX4090单卡进行速度测试，数据集选用VisDrone的部分数据，模型选择YOLOv5s： 测试结果如下表所示： 图片数量 直接检测花费时间(s) 批量检测花费时间(s) 100 从结果可见，批量检测并没有预期的速度提升，反而比直接单张检测更慢。估计这也是为什么官方不在detect中预留多个batch检测接口的原因。
3.1K30编辑于 2023-04-12 - 来自专栏机器学习AI算法工程
yolov5人脸检测，带关键点检测
代码说明： 1，在yolov5的检测基础上，加上关键点回归分支，请先下载yolov5的工程：https://github.com/ultralytics/yolov5 2，detect_one.py是单张图片的测试代码 hyp.scatch.yaml中增加关键点loss的超参数（landmark: 0.5） (2)yolo.py中增加了关键点回归的计算 (3)face_datasets.py为人脸数据的读取方式，准备数据的格式参考yolov5的格式 ，在后面增加关键点的坐标（归一化） (4) loss.py中增加关键点回归的loss计算 (5) 链接: https://pan.baidu.com/s/1zjPIF2NZ9CGtB2iUCox6hw 关于口罩人脸的问题： 1，增加口罩人脸这个类别，建议不要直接在检测分支中增加类别。 2，应该在关键点分支额外增加一个属性分支，接一个二分类，判断有没有戴口罩。
3.1K30发布于 2021-05-11 【免疫学实验】单克隆抗体技术
原因： 即使是针对单一抗原决定簇（如半抗原）产生的抗体，其结构也存在差异（异质性）。这可以通过等电聚焦实验验证：识别相同抗原的抗体在电泳后会显示出不同的等电点，证明其分子结构的不均一性。
19910编辑于 2025-12-29- 来自专栏YOLO大作战
YOLOv5改进： RT-DETR引入YOLOv5，neck和检测头助力检测
： YOLO 检测器有个较大的待改进点是需要 NMS 后处理，其通常难以优化且不够鲁棒，因此检测器的速度存在延迟。 为避免该问题，我们将目光移向了不需要 NMS 后处理的 DETR，一种基于 Transformer 的端到端目标检测器。 然而，相比于 YOLO 系列检测器，DETR 系列检测器的速度要慢的多，这使得"无需 NMS "并未在速度上体现出优势。 上述问题促使我们针对实时的端到端检测器进行探索，旨在基于 DETR 的优秀架构设计一个全新的实时检测器，从根源上解决 NMS 对实时检测器带来的速度延迟问题。 1, 1, SPPF, [1024, 5]], # 9 ] # YOLOv5 v6.0 head head: [ [-1, 1, Conv, [256, 1, 1, None, 1, 1,
2.1K10编辑于 2023-12-17 - 来自专栏淡定的博客
html5之网络状态检测
在原生APP中,比如QQ,它可以检测QQ是处于在线还是离线状态,但是在网页中,或者早期web app中,没有检测网络状态的能力,因此在HTML5中出现了网络状态检测API 代码 <!
1.6K20发布于 2018-09-06 - 来自专栏全栈文档库
YOLOv5实现目标检测
目标检测在计算机视觉领域中具有重要意义，yolov5（You Only Look One-level）是目标检测算法中的一种代表性方法，以其高效性和准确性备受关注，并且在各种目标检测任务中都表现出卓越的性能 本文介绍了如何配置yolov5的运行环境、如何进行数据标注、如何通过yolov5训练数据集实现图片的目标检测。 二、下载解压yolov5代码 GitHub上yolov5下载地址：https://github.com/ultralytics/yolov5 这个代码包作就是yolov5的项目文件，下载之后解压。 我们切换到我们刚刚创建的虚拟环境yolov5下： conda activate yolov5 #切换到yolov5虚拟环境 可以看到我们从base环境(Anaconda自带的默认环境)切换到了yolov5 2、pip安装yolov5所需要的第三方库 conda activate yolov5 #切换到yolov5虚拟环境 d: cd D:\Projects\PyCharm\YoLo\yolov5 #切换目录到
8723433编辑于 2024-02-03 - 来自专栏硬件大熊
浅谈5类过零检测电路
在电力电子中，零点电压检测(通常简称为过零检测)技术被广泛应用。通过检测电路追踪交流电的电压变化过程，在交流电压为”零”的时刻输出信号，利用该信号我们可以做很多工程应用。 例如，在智能开关产品中通过零点电压检测技术来实现零电压时刻导通，从而抑制开机浪涌电流，达到保护继电器触点等器件的目的；在调光开关/调光器、电机调速产品中，通过零点电压检测技术可从零点开始控制交流电导通角的大小 过零检测电路有多种实现电路方式，下面列举几种工程设计常用的几种设计方案—— 一、采用比较器的过零检测电路 通过分压电阻将交流信号衰减至比较器正端输入，当交流输入超过零基准电压时，过零检测电路会改变比较器的输出状态 四、采用ADC采集的过零检测电路 通过分压电阻将交流信号衰减至ADC输入端，通过ADC进行电压采样来检测过零点。 ； 2.罗姆半导体(ROHM)的过零检测IC，BM1Z系列 上述仅简单举例几种常见的过零检测电路，除此之外仍有很多电路可实现该功能检测，当然在实际工程应用中也会碰到一些细节问题，例如：硬件电路延时、
10.2K20编辑于 2022-06-23 - 来自专栏防止网络攻击
图像检测【YOLOv5】——深度学习
5.最后要创建和激活一下环境： conda create -n py39 python=3.9是创建python3.9版本，名称为py39的环境。 （我当时吃了个午饭回来差不多刚刚好哈哈哈哈哈哈哈） 5.安装完成以后，会提示done，然后输入pip list，查看我们的包是否被安装，这里可以看到torch相关的包都安装了。 三.克隆YOLOv5. 1.点开链接：https://github.com/ultralytics/yolov5 Windows系统下载ZIP文件再解压后进入YOLOv5路径下运行： pip install /data/images/ --weights yolov5s.pt --conf 0.4 如果是第一次运行，会下载YOLOv5s.pt，速度会比较慢。
38310编辑于 2024-09-15 - 来自专栏往期博文
【目标检测】模型信息解析YOLOv5检测结果中文显示
前言 之前写过一篇博文【目标检测】YOLOv5：标签中文显示/自定义颜色，主要从显示端解决目标中文显示的问题。 本文着重从模型角度，从模型端解决目标中文显示问题。 在模型信息中，除了包括了模型的结构参数外，还包括了模型的其它信息，类别信息名称为model/names 检测结果中文显示 因此，如果需要在模型端修改类别为中文信息，只需修改model/names里面的内容 # print(model) model['model'].names[1] = '汽车' torch.save(model, "weights/new.pt") 加载新的模型进行检测 git'] = None model['opt'] = None torch.save(model, "weights/new.pt") 可以看到，模型在剔除之后，体积变小，且不影响检测任务的运行
1.6K50编辑于 2023-05-23 - 来自专栏往期博文
【目标检测】TPH-YOLOv5：基于transformer的改进yolov5的无人机目标检测
简介 最近在使用VisDrone作为目标检测任务的数据集，看到了这个TPH-YOLOv5这个模型在VisDrone2021 testset-challenge数据集上的检测效果排到了第五，mAP达到39.18% 主要改进 TPH-YOLOv5是在YOLOv5的基础上做了下列改进： 1、新增了一个检测头来检测更小尺度的物体 2、用transformer prediction heads(TPH)替换原来的预测头部 4、其它一系列小tricks 新的检测头 新的检测头不难理解，之前在我的这篇博文【目标检测】YOLOv5针对小目标检测的改进模型/添加帧率检测也提到过这个改进想法。 值得注意的是，作者提供了两个模型结构，第一个是yolov5l-xs-tph.yaml这个模型结构，并没有用到CBAM，只是在YOLOv5 6.0版本上新增了一个检测头，我估计是消融实验用到的。 YOLOv5/TPH-YOLOv5检测效果对比测试 B站Link：https://www.bilibili.com/video/BV17a411u7JD (前往B站一键三连体验更佳) 可以看到实际效果还是比较明显的
3.9K30编辑于 2022-09-16 - 来自专栏往期博文
【目标检测】YOLOv5针对小目标检测的改进模型添加帧率检测
本篇博文就来尝试这篇博文YOLOV5 模型和代码修改——针对小目标识别所提到的一种改进方案。 我所使用的是YOLOv5-5.0版本，数据集采用VisDrone数据集。 检测头改进 模型方面的修改：作者在模型上增加了一个更小的Anchor并添加了一个更小的检测头。 图像切割 作者在检测的时候(detect.py)增加了一个图像切分的步骤，即将大图切分成各个小块，分别进行检测，然后再进行融合。 效果检测 为了检测这样做是否有效，我使用改进前的YOLOv5l模型和改进后的YOLOv5l模型对VisDrone数据集训练100个epoch，并挑选了VisDrone测试集中的两张角度较高的图片进行检测 帧率检测 在尝试视频检测时，我想到如果能在输出视频中显示帧率就好了。 要实现这个功能只需要在detect.py中插入 # 函数开头插入 tt = time.time() ....
3.1K21编辑于 2022-11-30 - 来自专栏机器学习AI算法工程
yolov5 行人 车辆 跟踪 检测 计数
显示检测类别。 默认是 南/北 方向检测，若要检测不同位置和方向，可在 main.py 文件第13行和21行，修改2个polygon的点。 默认检测类别：行人、自行车、小汽车、摩托车、公交车、卡车。 检测类别可在 detector.py 文件第60行修改。 在 main.py 文件中第66行，设置要检测的视频文件路径，默认为 '.
1.4K30编辑于 2021-12-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号