- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI研习社
用PyTorch做物体检测和追踪
视频中的物体追踪 所以，现在你知道了检测图像中的不同对象的方法。当你在视频中逐帧执行时，可视化可能非常酷，你会看到这些跟踪框四处移动。 这就是我们所说的“对象追踪”，并使用多个检测来识别特定对象随时间的变化。 有几种算法可以做到这一点，我决定使用SORT，它非常易于使用且速度非常快。
2.2K40发布于 2019-01-08 - 来自专栏移动机器人
使用myCobot 280 Jeston Nano进行物体精确识别追踪
前言我们在YouTube上看到有人使用机械臂实现物体跟踪功能的视频时，深受启发，对这个项目产生了浓厚的兴趣，并决定独立开发一个类似的程序。 我使用了一个相机来捕捉物体的图像，并使用OpenCV库来识别和跟踪Aruco码。 ，将识别到的物体的坐标转换成机械臂的运动指令，这里用到的是pymycobot库来进行对机械臂的控制。 #用于进行视觉追踪并计算目标位置def Visual_tracking280(coord, camera): pose_camera = camera[:3] angle_camear = 我们通过控制检测周期来调整流畅性，但是需要缓慢移动被跟踪的物体目标，才能达到更好的效果。
1.3K01编辑于 2023-05-24 - 来自专栏云深之无迹
Dji Mimo APP逆向.1(pocket 2直播模式+物体追踪)
以及人脸追踪？？？ public final int value; private CameraFace(int i) { this.value = i; } } 这个是关于脸部追踪的代码 return checkedObjectType; } } return ML_OBJ_NONE; } } 物体识别 trackingBox : new TrackingBox(); } public void recycle() { sPool.release(this); } } 绘制一个追踪的盒子 ; } h.put(i2, trackingMode); } return trackingMode; } } 追踪模式
1.9K20发布于 2021-05-18 YOLO11实战——物体检测识别
一、前言 老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。 使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples # Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs yolo train model=yolo11n.pt data=coco8.yaml yolo predict model=yolo11n.pt source=https://github.com/ultralytics/assets/releases/download/v0.0.0/ 当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。
76810编辑于 2025-12-24- 来自专栏微卡智享
C++ OpenCV基于颜色分割实现源视频上物体追踪
前言 上一篇中我们学习了《C++ OpenCV使用InRange对HSV颜色进行分割》，本身通过视频中可以看到我们通过颜色把按摩器提取了出来，这次我们基于上一章的成果，在上面实现原视频中的物体标识出来， 呈现出追踪的效果。
1.7K20发布于 2019-07-25 - 来自专栏BestSDK
Wikitude 发布全新AR SDK：支持物体识别，实时追踪等功能
新的AR SDK中加入了许多更加易用的AR新功能，包括物体识别，实时追踪(无标记的SLAM功能)，图像识别及追踪，基于固定地点的AR功能等。 ? 新的AR SDK中加入了许多更加易用的AR新功能，包括物体识别，实时追踪(无标记的SLAM功能)，图像识别及追踪，基于固定地点的AR功能等。
1.6K110发布于 2018-04-19 - 来自专栏机器之心
贾佳亚团队联合Adobe提出GenProp，物体追踪移除特效样样在行
GenProp 可以完成几乎所有 “传播”（ Propagation）任务，即便是更接近感知任务的实例追踪（Instance Tracking）： 在人们的印象里，追踪（Tracking）问题已经得到了很好的解决 相比于 SAM v2.1，GenProp 展现出了生成模型特有的优势：得益于 video generation 的基础能力，模型可以完整地追踪物体的 side effects，如狗和人的影子、反射等。 接下来，我们会看到 GenProp 对物体移除、视频补全、物体替换、背景替换、物体插入、视频外绘等问题的革新。 对于物体移除，传统方法只能移除物体本身。 和追踪问题类似，GenProp 也可以同时移除物体产生的 side effects，如反射、影子。这对于传统方法很困难，因为数据多变、难以收集，需要模型对物理规律有理解。 对于物体插入，模型能够允许物体独立的运动。对于物体追踪，模型能够同时追踪 side effects（如影子、反射）。此外，模型还涌现出了如 outpainting 等新能力。
25610编辑于 2025-02-03 yolov11+deepsort+pyqt5实现目标追踪
【算法介绍】 YOLOv11、DeepSORT和PyQt5的组合为实现高效目标追踪提供了一个强大的解决方案。 YOLOv11是YOLO系列的最新版本，它在保持高检测速度的同时，通过改进网络结构、优化损失函数等方式，提高了检测精度，能够同时处理多个尺度的目标，并有效应对复杂场景中的遮挡、形变等问题。 在目标追踪任务中，PyQt5可用于构建用户交互界面，展示实时视频流、检测结果和追踪轨迹等信息。 将这三者整合起来，可以构建一个功能强大的目标追踪系统。 首先，使用YOLOv11对视频流进行实时目标检测，获取每一帧中的目标边界框信息。然后，利用DeepSORT算法将这些边界框关联起来，形成目标的运动轨迹。 【效果展示】 【测试环境】 anaconda3+python3.8 torch==1.9.0 numpy==1.24.4 ultralytics==8.3.3 【视频演示】 yolo11+deepsort
65310编辑于 2025-07-22yolov11+bytetrack+pyqt5实现目标追踪
【算法介绍】 YOLOv11、ByteTrack和PyQt5的组合为实现高效目标追踪提供了一个强大的解决方案。 YOLOv11是YOLO系列的最新版本，它在保持高检测速度的同时，通过改进网络结构、优化损失函数等方式，提高了检测精度，能够同时处理多个尺度的目标，并有效应对复杂场景中的遮挡、形变等问题。 首先，使用YOLOv11对视频流进行实时目标检测，获取每一帧中的目标边界框信息。然后，利用ByteTrack算法将这些边界框关联起来，形成目标的运动轨迹。 【视频演示】 yolo11+bytetrack+pyqt5实现目标追踪结果演示_哔哩哔哩_bilibili【测试环境】anaconda3+python3.8torch==1.9.0numpy==1.24.4ultralytics ar, 视频播放量 1、弹幕量 0、点赞数 0、投硬币枚数 0、收藏人数 0、转发人数 0, 视频作者 未来自主研究中心, 作者简介 未来自主研究中心，相关视频：C++使用纯opencv部署yolov11
58910编辑于 2025-07-2211款最佳习惯追踪养成式祝你实现目标
三、习惯追踪工具在学习习惯养成中的重要性（一）明确学习进度习惯追踪工具可以详细记录学习任务的完成情况，如每天阅读的页数、做练习题的数量等。 例如，一个学生使用习惯追踪软件记录每天背诵单词的数量，一段时间后发现自己的单词量稳步上升，这会增强他的学习信心。（二）发现学习问题通过对学习习惯数据的分析，学生可以发现自己在学习过程中存在的问题。 比如，如果发现自己做数学题总是出错，通过查看习惯追踪记录，可能会发现是因为做题时间不够、知识点掌握不牢等原因。及时发现问题才能有针对性地调整学习方法，提高学习效率。 （三）培养自律能力学习习惯的养成需要自律，而习惯追踪工具可以起到监督和激励的作用。当学生看到自己每天坚持学习任务并记录下来时，会有一种成就感，从而更有动力坚持下去。
1.3K10编辑于 2025-06-26- 来自专栏韩曙亮的移动开发专栏
【Unity3D】游戏物体操作 ④ ( 选中多个游戏物体操作 | 复制选中物体 | 聚焦选中物体 | 激活、禁用选中物体 | 对齐选中物体 )
文章目录 一、选中多个游戏物体操作 1、Scene 场景窗口选中多个物体 2、Hierarchy 层级窗口选中多个物体 二、复制选中物体 1、使用 " Ctrl + D " 快捷键复制物体 2、使用 右键菜单 | Duplicate 选项复制 三、聚焦选中物体 四、激活、禁用选中物体 五、对齐选中物体 一、选中多个游戏物体操作 ---- 按住 Ctrl 或 Shift 键 , 在 Hierarchy 层级窗口 中选中多个物体 , 在 Scene 场景窗口 中容易多选或者少选物体 ; 1、Scene 场景窗口选中多个物体 在 Scene 场景窗口 中进行多个 游戏物体 GameObject 的选择操作 : 三、聚焦选中物体 ---- 选中一个物体 , 将该物体放置在 视图中心 位置 的行为成为 " 聚焦 " , 有两种途径 : 在 Hierarchy 层级窗口中 , 选中物体 , 双击该选中的物体 , 即可将 该物体 设置在 视图中心 位置 ; 在 Scene 场景窗口中 , 选中物体 , 按 F 键 , 即可将 该物体 设置在 视图中心 位置 ; 四、激活、禁用选中物体 ---- 选中 游戏物体
5.1K30编辑于 2023-03-30 - 来自专栏韩曙亮的移动开发专栏
【Unity3D】游戏物体操作 ① ( 场景简介 | 添加游戏物体 | 操作游戏物体 | 选中游戏物体 | 场景显示效果缩放 | 重命名游戏物体 | 复制游戏物体 | 删除游戏物体 | 移动物体 )
文章目录 一、Scene 场景简介 二、添加游戏物体 三、操作游戏物体 1、选中游戏物体 2、场景显示效果缩放 3、重命名游戏物体 4、复制游戏物体 5、删除游戏物体 6、Inspector 检查器窗口查看被选中游戏物体属性 也可以向场景中添加 游戏物体 ; 添加完游戏物体后 , 可以在 Scene 场景窗口中看到该游戏物体 , 同时在 Hierarchy 层级窗口 中 , 也可以看到该 游戏物体 对应的节点 ; 三、操作游戏物体 ---- 1、选中游戏物体 选中 游戏物体 GameObject 有两种方法 : Hierarchy 层级窗口操作 : 在 Hierarchy 层级窗口 中 , 选中 游戏物体 对应的 节点 ; Scene 层级窗口 中 , 右键点击 游戏物体 GameObject , 在弹出的菜单中 选择 " Rename " 选项 , 直接在 节点 上修改即可 , 节点的名称可以是中文 ; 4、复制游戏物体 层级窗口 或 Scene 场景窗口 中 选中物体后 , 在右侧的 Inspector 检查器窗口 ( 属性窗口 ) 中会显示该 被选中物体的属性 ; Inspector 检查器窗口 中 , 显示的内容
2.3K10编辑于 2023-03-30 基于易语言实现yolov11+bytetrack目标追踪演示
测试环境： 易语言5.7.3 opencv4.7.0 源码： .版本 2 .支持库 spec .程序集 窗口程序集_启动窗口 .程序集变量 YOLO11, YOLO11推理器 .程序集变量 json, ＝ YOLO11.加载模型_从文件 (“yolo11n.onnx”, 假) 调试输出 (“加载结果” ＋ 到文本 (加载状态)) 文本 ＝ 到文本 (读入文件 (“classes.txt”)) 类别名数组 图片字节集 ＝ 指针到字节集 (图像指针, 图像大小) ' 画板1.底图 ＝ 图片字节集 ' 调试输出 (“开始推理”) 推理结果 ＝ YOLO11 ＝ FIRC_获取图像 () 图像大小 ＝ FIRC_获取图像大小 () 图片字节集 ＝ 指针到字节集 (图像指针, 图像大小) 推理结果 ＝ YOLO11 释放资源 () .子程序 _按钮6_被单击 .局部变量 推理结果, 文本型 .局部变量 图片字节集, 字节集 图片字节集 ＝ 读入文件 (“E:\person2.jpg”) 推理结果 ＝ YOLO11
37910编辑于 2025-07-22- 来自专栏AI科技评论
ICCV 2021 Oral | 基于点云的类级别刚体与带关节物体位姿追踪
我们提出了首个可以同时应用于刚性物体和带关节物体，运行在类级别场景下的九自由度位姿追踪框架。 刚性物体位姿追踪 我们在 NOCS-REAL275 真实世界数据集上与类级别刚性物体追踪算法 6-PACK 进行比较，使用三维包围盒表示九自由度位姿估计，绿色表示追踪误差≤5º5cm，红色表示追踪误差> NOCS-REAL275上的类级别刚性物体位姿追踪 带关节物体位姿追踪 由于没有现成的类级别带关节物体位姿追踪数据集，我们基于 SAPIEN [3] 生成了一个合成数据集，并在其上对比我们的方法与类级别带关节物体位姿估计算法 我们的追踪结果更加准确、平滑，对自遮挡更加鲁棒。 图4. SAPIEN合成数据集上的类级别带关节物体位姿追踪 我们进一步在真实世界的带关节物体数据上测试我们的模型。 机械臂操纵抽屉序列 4 结语 本文提出了一个端到端可微的位姿追踪框架，能同时处理类级别刚性物体与带关节物体九自由度位姿追踪问题，在多个数据集上达到了 SOTA 效果。
70720发布于 2021-09-16 - 来自专栏BestSDK
百度Apollo发布自动驾驶套件Pandora：支持物体追踪、识别等功能
“从传感器系统的选型标定，到摄像头和激光雷达的融合，再到能够输出最基本的目标物体追踪，这个看似简单而基础的工作一般来说需要耗费一个小团队至少6-8个月的宝贵研发时间，才能勉强做到‘不拖后腿’。” 也就是说，摄像头与激光雷达点云数据在该套件上真正实现了数据融合； 最后，Pandora还实现了传感器信号的极低延迟传输，以及目标物体追踪识别等功能。
1.5K60发布于 2018-03-02 - 来自专栏大数据文摘
影子追踪！MIT让自动驾驶练出“透视眼”，看影子就知道有无物体靠近
当感应到有车辆靠近时，这款基于车辆的系统的制动时间比传统的LiDAR系统（只能探测到可见物体的激光雷达）快了0.5~1秒。 ? “在某些场景下，比如机器人在有移动物体和人群的环境中移动，我们的方法可以预先警告机器人，提示有物体正在向角落移动，车辆会根据提示降低速度、调整路线、提前做好准备以避免碰撞。” 系统通过分析一张张图片来记录光照强度随时间的变化，以此推断是否有物体正在远离或靠近。 有些变化时肉眼看不见或者很难分辨，因而需要通过物体和环境的多种性质才能做判断。 而ShadowCam通过分析收集到信息，将每张图片分类为静止物体或是移动物体。如果系统检测到移动物体，那么系统会自动做出调整。 将ShadowCam应用于自动驾驶车辆还需要一些改进。 无标记测试 在一项测试中，研究人员分别使用AprilTags标记法和基于DSO的方法评估了系统在分类移动物体和静止物体的表现。
72210发布于 2019-11-08 - 来自专栏AiCharm
CVPR 2023 | BundleSDF:对未知物体进行6D追踪和3D重建新SOTA
6D 追踪和 3D 重建。 本文中英伟达提出了同时对未知物体进行 6D 追踪和 3D 重建的方法。该方法假设物体是刚体，并且需要视频的第一帧中的 2D 物体掩码。 然而，与所有以往工作不同的是，英伟达的追踪和重建协同设计采用了一种新颖的神经表示，不仅在实验证实中实现了更强大的跟踪能力，还能够输出额外的形状信息。 英伟达假设物体是刚体，但适用于无纹理的物体。 此外不需要物体的实例级 CAD 模型，也不需要物体的类别级先验知识（例如事先在相同的物体类别上训练）。 下面左图：使用视频分割网络（第 3.1 节）预测的二值掩码进行高效的射线追踪的 Octree 体素表示，该物体分割掩码由于来自神经网络的预测难免存在错误。
1.1K20编辑于 2023-07-26 - 来自专栏深度学习和计算机视觉
物体检测中的小物体问题
检测小物体是计算机视觉中最具挑战性和重要的问题之一。在这篇文章中，我们将讨论通过迭代数百种小物体检测模型在Roboflow上开发的一些策略。 为什么小物体问题很难？ 小物体问题困扰着全世界的物体检测模型。查看最新模型YOLOv3，EfficientDet和YOLOv4的COCO评估结果： 检查AP_S，AP_M，AP_L的最新模型。小物件很难！ 那么，为什么很难检测小物体呢？一切都取决于模型。对象检测模型通过聚合卷积层中的像素来形成特征。 PP-YOLO中用于对象检测的特征聚合 并且： YOLO中的损失函数 如果地面物体本来就不大，而在进行训练时还会变小。因此，小物体最有可能出现数据标记错误，甚至可能会省略其标识。
79420编辑于 2022-02-13 - 来自专栏kalifaの日々
Unity物体移动
shader的选择 不同的shader类型，物体表面的纹理呈现不同的效果。 light设置 main light or key light fill light rim light（rim轮缘） 物体移动方法 float horizontal = Input.GetAxis(" <Rigidbody>().positon,y,ymin,ymax), GetComponent<Rigidbody>().positon.z); 倾斜小技巧 根据左右移动的速度（velocity）给物体该方向上的一个小 rotation，有一种物体快速往左移动时向左倾斜的感觉。
1.1K30发布于 2019-06-11 - 来自专栏深度学习和计算机视觉
使用YOLO11和霍夫变换追踪站台黄线穿越者
使用YOLO11检测和跟踪行人 目标检测模型，就是帮我们找出图像或视频里的对象在哪儿，是啥。结果就是一堆框框，把检测到的对象框起来，还标上类别和置信度。 YOLO11有五个预训练模型，专门干这个的。下面的脚本，咱们就用最小的那个yolo11n.pt，来识别图像里的人，给他们画框。用ultralytics库的plot()函数，直接在图像上画框，特别方便。 YOLO11就有一套预训练模型，专门干这个的。这些模型会输出一系列关键点，代表图像里人的关键部位。每个人身上，YOLO11能找到17个关键点。下面的脚本，我展示了怎么在图像里提取这些关键点。 YOLO11有五个预训练的姿态估计模型。这次，因为有些人可能离相机比较远，我用了更强的模型yolo11m-pose.pt。用这些关键点，我们还能画个框，把人框起来。 在边界框方面，我们可以看到与物体检测模型相比存在微小差异，这主要是由于关键点位于人物内部。 左边是每个人检测到的关键点。右边是根据关键点坐标确定的每个人的框。 2.
76610编辑于 2024-12-06
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