- 综合排序
- 最热优先
- 最新优先
阶段式目标推进工具深度探讨：如何通过工具实现各阶段任务的精准推进？
阶段式目标推进工具通过智能化的阶段划分和进度反馈，可以帮助团队清晰地看到目标的实现路径，确保每个阶段的任务都得到合理安排与推进，从而大幅提升团队的工作效率。二、什么是阶段式目标推进工具？ 阶段式目标推进工具是一种智能化的目标管理工具，可以根据目标的多个阶段（如规划阶段、实施阶段、评估阶段等）进行自动化管理和进度跟踪。 三、阶段式目标推进工具的应用场景阶段式目标推进工具特别适用于以下几种情况：跨部门协作的长期项目：当多个部门合作完成一个长期项目时，阶段式目标推进工具可以确保各部门明确自己的阶段性目标，避免因沟通不畅导致的误解和延误 无论是中小型项目，还是大型、复杂的多阶段项目，阶段式目标推进工具都能提供强大的支持，帮助项目按时完成。四、如何使用阶段式目标推进工具提高效率？ Q3：阶段式目标推进工具会影响任务执行的灵活性吗？ A：工具支持高度定制与调整，可以根据项目需求灵活调整阶段性目标，保持灵活性。Q4：如何查看目标推进的最新进展？
36510编辑于 2025-08-14- 来自专栏CNNer
【目标检测】开源 | TIDE：目标检测错误分析工具
TIDE: A General Toolbox for Identifying Object Detection Errors 原文作者：Daniel Bolya 内容提要 本文介绍了TIDE，一个用于分析目标检测和实例分割算法中的误差来源的框架和关联的工具盒
2.5K30发布于 2020-11-03 - 来自专栏YOLO大作战
YOLOv8小目标检测介绍
Yolo小目标检测，独家首发创新（原创），适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，带你轻松实现小目标检测涨点 重点：通过本专栏的阅读，后续你可以结合自己的小目标检测数据集 ，通常更倾向于使用相对于原图的比例来定义：物体标注框的长宽乘积，除以整个图像的长宽乘积，再开根号，如果结果小于3%，就称之为小目标； 1.2 难点 1）包含小目标的样本数量较少，这样潜在的让目标检测模型更关注中大目标的检测 ； 2）由小目标覆盖的区域更小，这样小目标的位置会缺少多样性。 本专栏小目标数据集 数据集下载地址： Single-frame InfraRed Small Target 数据集大小：427张，进行3倍数据增强得到1708张，最终训练集验证集测试集随机分配为8：1 ：1 目录 1.小目标检测介绍 1.1 小目标定义 1.2 难点 2.
6.7K20编辑于 2023-11-11 - 来自专栏科技向令说
开发工具创新升级，鲲鹏推进计算产业“竹林”式生长
这一阶段的鲲鹏，在开发和应用使能工具创新上的理念也发生了变化——长期积淀后，开发工具开始了“竹林”式生长过程。 打造根基、厚积薄发，有足够的力量走得更广、更远，鲲鹏的开发工具和应用使能工具创新升级，在为开发者提供功能全面、能力深入、贴近实用的开发工具，这就是典型的“竹林”式生长。 对开发者而言，以原生为主题的应用开发阶段已经到来，这时候的开发目标，也转向原生应用解决具体场景问题的能力。 在此次发布中，鲲鹏两大工具的升级，在单一能力及相互组合上也基于过去的技术积累而不断强化。 不仅能安全处理来自不同业务部门的信息，确保数据可用不可见，还能显著加速金融规则模型训练，达到传统方案的8倍性能，帮助金融机构快速做出精准决策。 式生长是竹子作为一个物种在野外竞争环境中实现种群生存产物，最终却表现出了自然界少有的惊人发展能力，回过头来看，起初的鲲鹏某种程度上也是改变计算领域被动状况的一种产物，而现在，鲲鹏实现的价值早已远远超越了这一基本目标
43210编辑于 2022-07-01 - 来自专栏全栈程序员必看
通用目标检测_ug目标体完全处于工具体内部
睿智的目标检测-番外篇——数据增强在目标检测中的应用（数据增强代码的参数解读） 学习前言 代码下载 数据增强做了什么 目标检测中的图像增强 全部代码 1、数据增强 2、调用代码 学习前言 数据增强是非常重要的提高目标检测算法鲁棒性的手段 目标检测中的图像增强 在目标检测中如果要增强数据，并不是直接增强图片就好了，还要考虑到图片扭曲后框的位置。 也就是框的位置要跟着图片的位置进行改变。 如果大家对我的目标检测代码有少许研究的话，应该都可以看到。 .5 if flip: image = image.transpose(Image.FLIP_LEFT_RIGHT) image_data = np.array(image, np.uint8) .5 if flip: image = image.transpose(Image.FLIP_LEFT_RIGHT) image_data = np.array(image, np.uint8)
95620编辑于 2022-11-07 - 来自专栏全栈程序员必看
k8s监控工具(k8s工具)
工具集合： 后渗透：Kubesploit ： https://github.com/cyberark/kubesploit 后渗透：k0otkit: https://github.com/Metarget /k0otkit 安全评估：Red Kube ：https://github.com/lightspin-tech/red-kube 容器攻击工具：ccat ： https://github.com
1K51编辑于 2022-08-01 - 来自专栏陶陶计算机
目标检测工具安装使用--labelImg
labelImg是一个超级方便的目标检测图片标注工具，打开图片后，只需用鼠标框出图片中的目标，并选择该目标的类别，便可以自动生成voc格式的xml文件。
92220编辑于 2022-05-12 - 来自专栏山丘安全攻防实验室
工具推荐|目标域名收集之subDomainsBrute
工具名称：subDomainsBrute 工具作者: lijiejie Github地址：https://github.com/lijiejie/subDomainsBrute 功能特点 用小字典递归地发现三级域名 在dict里面可以进行添加） 自动去重泛解析的域名，当前规则： 超过2个域名指向同一IP，则此后发现的其他指向该IP的域名将被丢弃 速度尚可，在我的PC上，每秒稳定扫描约3百个域名（30个线程） 一、工具环境准备 该工具使用python语言开发，运行环境为python2.7 python环境需要安装dnspython gevent 以我电脑为例，我电脑为windows，安装插件需要先到python/script 二、工具安装 访问 https://github.com/lijiejie/subDomainsBrute 下载即可 三、命令介绍 Options: --version 显示版本号并退出 200 -p PROCESS, --process=PROCESS 扫描进程数，默认为6 -o OUTPUT, --output=OUTPUT 输出文件名称 {target}.txt 四、工具使用
5K40发布于 2020-03-06 进度推送提醒工具深度探讨：如何通过工具确保每个任务的按时执行与推进？
进度推送提醒工具通过自动化推送提醒和定期更新，帮助团队实时掌控任务进度，减少因信息滞后带来的效率低下和沟通不畅。三、什么是进度推送提醒工具？ 进度推送提醒工具不仅仅是一个简单的进度跟踪工具，它通过智能化的方式，根据任务和项目的进展推送实时更新提醒。 自动推送客户任务进度，提升客户关系管理效率 五、构建进度推送提醒机制的关键步骤1️⃣ 识别关键进度节点并非所有任务都需要进行推送提醒，聚焦以下几类：高优先级任务：需要紧急处理的任务，确保任务得到及时推进 每次推送都包含任务进展详情、下一步操作建议及反馈渠道，确保任务顺利推进。4️⃣ 多渠道通知支持通过多种渠道，如邮件、短信、APP通知、Slack、钉钉等即时通讯工具，推送任务进度提醒。 强大的任务管理和进度提醒功能，适合快速推进和调整任务的团队 ClickUp 提供多种视图支持和强大的进度追踪功能，适合复杂项目的进度推送管理 七、辅助代码脚本示例：进度推送实践Python
42110编辑于 2025-08-14YOLO v8 目标检测识别翻栏
三、业务逻辑分析及算法实现 越界识别的功能实现，主要包括行人目标检测、行人追踪及越界识别判断三部分 1） 行人目标检测 这一部分主要利用YOLOv8算法实现。 首先基于YOLOv8目标检测算法训练一个检测行人（person）的权重person.pt。 参考之前代码： Ctrl CV：YOLOV8血细胞检测 2 ）行人目标追踪 目标追踪的实现主要是在实现目标检测的前提下，补充目标追踪功能，即通过追踪并绘制每个目标的track_id信息实现。 Ctrl CV：YOLOv8目标跟踪 Ctrl CV：YOLOv8_VisDrone2019目标跟踪、模型部署 3） 越界识别判断 （1）越界监测区域绘制 实现越界识别，即检测某个感兴趣区域，是否有人违规进入 使用yolov8算法得到的是人物检测框的四个点信息[x，y，w，h]，即目标框的左上角点的x，y坐标和宽w、高h，因此需要通过代码，转换成人体下方的点，即[左上角点x+1/2*宽w，左上角点y+高h]。
23810编辑于 2025-12-16- 来自专栏往期博文
【目标检测】YOLOv8：快速上手指南
模型推理 YOLOv8目前支持的推理有：目标检测、目标检测+分割、目标检测+姿态检测、目标跟踪。 注：所有的任务都以检测为基础，官方并未单独提出其他任务的训练方式。 目标检测 # Load a model model = YOLO('yolov8n.pt') # load a pretrained model # Run inference on 'bus.jpg 示例效果： 目标检测+分割 # Load a pretrained YOLOv8n-seg Segment model model = YOLO('yolov8n-seg.pt') # Run 效果： 目标检测+姿态检测 # Load a pretrained YOLOv8n-pose Pose model model = YOLO('yolov8n-pose.pt') # Run inference model = YOLO('yolov8n.pt') results = model.track(source="data/malasong.mp4", save=True) 目标跟踪接口是track
5.4K42编辑于 2023-09-13 - 来自专栏YOLO大作战
YOLOv8红外小目标检测：Wasserstein Distance Loss，助力小目标涨点（1）
红外弱小目标数据集Single-frame InfraRed Small Target 数据集大小：427张，进行3倍数据增强得到1708张，最终训练集验证集测试集随机分配为8：1：1 2.Wasserstein ，因为小目标只包含几个像素大小。 作者证明，由于缺乏外观信息，最先进的检测器也不能在小目标上得到令人满意的结果。 然而，对于36×36像素的正常目标，IoU略有变化(从0.90到0.65)，位置偏差相同。此外，图2给出了4条不同目标尺度的IoU-Deviation曲线，随着目标尺度的减小，曲线下降速度更快。 Wasserstein distance的主要优点是：无论小目标之间有没有重叠都可以度量分布相似性;NWD对不同尺度的目标不敏感，更适合测量小目标之间的相似性。
1.6K10编辑于 2024-11-11 C#使用yolov8的目标检测tensorrt模型+bytetrack实现目标追踪
",1024); 【视频演示和解说】 使用C#使用yolov8的目标检测tensorrt模型+bytetrack实现目标追踪_哔哩哔哩_bilibili测试环境：win10 x64vs2019cuda11.7 seg的实例分割的tensorrt模型，使用C#部署yolov8的旋转框obb检测tensorrt模型，碉堡了！ YOLOV10重磅开源：延迟比v9减少46%；参数量比v8少2.8倍（包含YOLO全家桶），使用纯opencv部署yolov8目标检测模型onnx，labelme json转yolo工具用于目标检测训练数据集使用教程 ，将yolov5-6.2封装成一个类几行代码完成语义分割任务，将yolov8封装成一个类几行代码完成语义分割任务，C++使用纯opencv去部署yolov8官方obb旋转框检测，【讲人话版】Yolov10 detector = new Yolov8Det("yolov8n.engine"); VideoCapture capture = new VideoCapture("D:\
34510编辑于 2025-07-20C# OpenVINO部署yolov8目标检测模型
【官方框架地址】 https://github.com/ultralytics/ultralytics.git 【算法介绍】 YOLOv8 抛弃了前几代模型的 Anchor-Base。 YOLO 是一种基于图像全局信息进行预测的目标检测系统。 现在，YOLOv8 已正式发布。 YOLOv8 是由小型初创公司 Ultralytics 创建并维护的，值得注意的是 YOLOv5 也是由该公司创建的。 namespace FIRC { public partial class Form1 : Form { Mat src = new Mat(); Yolov8Manager ym = new Yolov8Manager(); public Form1() { InitializeComponent();
33810编辑于 2025-07-17- 来自专栏AI
基于 YOLOv8 的水体污染目标检测系统
基于YOLOv8的水体污染目标检测系统[目标检测完整源码]一、背景：水体监控为什么需要“计算机视觉”？在水资源保护与环境治理领域，“看得见问题”往往是治理的第一步。 基于此，本文介绍一套以YOLOv8为核心的水体环境智能监控系统，通过目标检测技术，实现对水域中多类污染目标的自动识别、标注与可视化展示，为环保监管提供可落地的技术方案。 4.1YOLOv8的结构优势YOLOv8作为Ultralytics推出的新一代目标检测模型，在工程实践中表现出以下优势：Anchor-Free架构对目标尺度变化更友好，减少人工调参Task-AlignedAssigner 实际部署优势模型体积小，加载速度快支持CPU/GPU多环境可结合无人机、边缘计算盒子使用8.2可扩展方向在现有系统基础上，可进一步扩展：水污染面积统计时间序列变化分析云端集中监控平台GIS系统联动九、总结：从算法到治理工具的关键一步本项目并非单纯的目标检测实验 通过将YOLOv8的检测能力与PyQt5的交互界面相结合，系统实现了从“看图识别”到“智能监控工具”的转变。
15000编辑于 2026-02-21 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（8）
8.4 人脸检测 在目标检测领域可以划分为了人脸检测与通用目标检测，往往人脸这方面会有专门的算法（包括人脸检测、人脸识别、人脸和其他属性的识别等等），并且可以和通用目标检测（识别）有一定的差别，这主要来源于人脸的特性 （有时候目标比较小、人脸之间特征不明显、遮挡问题等），下面将从人脸检测和通用目标检测两个方面来讲解目标检测。 当然通用目标检测算法像Faster-rcnn、yolo、ssd等也有用在人脸检测领域，也可以实现比较不错的结果，但是和专门人脸检测算法比还是有差别。 下面部分主要介绍基于深度学习的人脸检测算法，基于深度学习的通用目标检测算法将在第二大节介绍。 的方式通过特征图映射到原图的方式确定最终识别为人脸的位置，特征图映射到原图人脸框是要看特征图相比较于原图有多少次的缩放（缩放主要查看卷积的步长和卷积层），假设特征图上(2,3)的点，可粗略计算缩放比例为8倍
22800编辑于 2024-05-24 基于yolov8+gradio目标检测演示系统设计
特别是最新的YOLOv8，不仅在性能上有了显著提升，更在易用性和可扩展性上迈出了坚实的一步。而当我们谈及可视化工具时，Gradio无疑是一个不容忽视的选择。 一、YOLOv8：目标检测的佼佼者 YOLOv8作为YOLO系列算法的最新成员，继承了前代算法的优点，并在性能和速度上进行了全面的优化。 二、Gradio：强大的可视化工具 Gradio是一款简单易用、功能强大的可视化工具，它可以帮助用户快速构建和部署机器学习模型的交互式界面。 三、YOLOv8与Gradio的结合：目标检测的可视化展示 图片目标检测的可视化 通过将YOLOv8模型与Gradio结合，我们可以轻松实现图片目标检测的可视化展示。 ，yolov9+deepsort+pyqt5实现目标追踪结果演示，YOLOv8检测界面-PyQt5实现，文档页数统计工具软件pdf统计页数word统计页数ppt统计页数图文打印店快速报价工具，[数据集]
36100编辑于 2025-07-20- 来自专栏叶子的开发者社区
yolov8训练自定义目标检测模型
然后我们开始准备yolov8，使用python的API的话就比较简单，首先安装一下yolov8 用pip的话安装的话 pip install ultralytics 使用pycharm安装的话 配置yaml 、yolov8n.pt和coco128.yaml这几个文件，yolov8n.yaml是yolov8的配置，yolov8n.pt是预训练的模型，coco128.yaml是coco数据集的配置参数 因此如果我们想要训练自己的模型的话 yolov8n.yaml # Ultralytics YOLO , AGPL-3.0 license # YOLOv8 object detection model with P3-P5 outputs 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n' # [depth, width, max_channels] n: [0.33 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n' # [depth, width, max_channels] n: [0.33
2.7K31编辑于 2023-10-19 - 来自专栏学海无涯
iOS开发之集成目标检测模型YOLOv8
介绍 YOLO（You Only Look Once）是一种使用卷积神经网络进行目标检测的算法。YOLO 系列模型集成度很高、使用简单，是实际开发中常用的目标检测模型。 下载YOLO模型 在 huggingface 或者 Ultralytics 网站下载 YOLOv8 模型。 根据需要下载不同精度的模型，共有 5 种不同精度的模型。 YOLO模型.png 注意：由于是在端侧使用，因此本文以yolov8n.pt为例进行讲解。 训练YOLO模型 准备自定义目标检测数据集。 打开终端，使用如下命令训练模型。 创建VNImageRequestHandler，传入目标照片或者通过摄像头捕获需要检测的目标。 检测到目标之后，通过VNRecognizedObjectObservation获取目标检测的内容与位置信息。
1.3K11编辑于 2024-05-21 - 来自专栏MoeLove
K8S 生态周报| Podman 开始废弃 CNI plugins, 推进自己的网络堆栈
“「K8S 生态周报」内容主要包含我所接触到的 K8S 生态相关的每周值得推荐的一些信息。欢迎订阅知乎专栏「k8s生态」[1]。” 大家好，我是张晋涛。 同时它也可以作为独立的镜像构建工具使用，很多人在将 Kubernetes 集群中的容器运行时从 Docker 替换为 containerd 后，想要寻找新的镜像构建工具，我推荐可以尝试下 BuildKit pretty 2 errors occurred: multi-error.rego:4: eval_builtin_error: div: divide by zero multi-error.rego:8: 这是春节前的最后一篇 「K8S 生态周报」，祝大家新春快乐！年后继续更新！ ---- 参考资料 [1] k8s生态: https://zhuanlan.zhihu.com/container
1.1K10编辑于 2023-02-26
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