- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
3.9K10编辑于 2024-10-10 - 来自专栏PaddlePaddle
【目标检测】SSD目标检测
场景文字识别 目标检测任务的目标是给定一张图像或是视频帧，让计算机找出其中所有目标的位置，并给出每个目标的具体类别。对于人类来说，目标检测是一个非常简单的任务。 与此同时，由于目标会出现在图像或是视频帧中的任何位置，目标的形态千变万化，图像或是视频帧的背景千差万别，诸多因素都使得目标检测对计算机来说是一个具有挑战性的问题。 【目标检测】 SSD目标检测 |1. 概述 SSD全称：Single Shot MultiBox Detector，是目标检测领域较新且效果较好的检测算法之一[1]，有着检测速度快且检测精度高的特点。 PaddlePaddle已集成SSD算法，本示例旨在介绍如何使用PaddlePaddle中的SSD模型进行目标检测。
5.1K90发布于 2018-04-02 - 来自专栏全栈程序员必看
cvpr目标检测_目标检测指标
特征金字塔（Feature pyramids）是识别系统中用于检测不同尺度目标的基本组件。但是最近的深度学习目标检测器已经避免了金字塔表示，部分原因是它们是计算和内存密集型的。 在 HOG 和 SIFT 之前，使用 ConvNets [38, 32] 进行人脸检测的早期工作计算了图像金字塔上的浅层网络，以跨尺度检测人脸。 深度卷积网络目标检测器。 在下文中，我们在 RPN [29] 中采用我们的方法生成边界框建议，并在 Fast R-CNN [11] 中采用我们的方法进行目标检测。 Feature Pyramid Networks for Fast R-CNN Fast R-CNN [11] 是一种基于区域的目标检测器，其中使用感兴趣区域 (RoI) 池化来提取特征。 因此，当基于区域的检测器 [15, 11] 在图像金字塔上运行时，可以调整它们的分配策略。
1.3K40编辑于 2022-11-15 - 来自专栏深度学习和计算机视觉
来了，使用YOLOv11目标检测的详细教程
YOLO11 是 Ultralytics YOLO 系列的最新版本，结合了尖端的准确性、速度和效率，用于目标检测、分割、分类、定向边界框和姿态估计。 主要特点 增强的特征提取：YOLO11 使用改进的主干和颈部架构来增强特征提取，以实现更精确的目标检测和复杂任务的性能。 跨环境的适应性：YOLO11 可以无缝部署在边缘设备、云平台和配备 NVIDIA GPU 的系统上，确保最大的灵活性。 支持广泛的任务范围：YOLO11 支持各种计算机视觉任务，如目标检测、实例分割、图像分类、姿态估计和定向目标检测（OBB）。 我将在这个数据集中训练一个有 8 种不同寄生虫类别的目标检测模型。我将通过 Roboflow 处理标记、分类的图像。我经常在我的个人项目中使用这个开源平台。
13.5K21编辑于 2025-01-13 - 来自专栏林欣哲
目标检测
今天的这篇是对吴恩达的深度学习微专业的第四节课卷积神经网络的第三周的目标检测的总结。 普通的卷积神经网络我们用来识别一张图片是什么东西。 衡量一个目标检测是否符合标准，就看神经网络识别后的框和数据标注的框的交并比，也就是两者框的交集除以两者框的并集。 这里可能会碰到多次检测的问题，就是在目标附近的几个格子都会认为它检测到了目标，这时候应用非极大值抑制的算法，选出概率最大的格子，并把其他交并比很高的格子抑制（这一步交并比的判断，是因为有可能一个图像里有多个目标被检测出来 ，利用交并比可以只抑制一个目标附近多余的检测，而不能把其他目标的检测都被你抑制了）。 不同类别的目标检测，如车和人，抑制分别跑，一共跑两次。 ?
1.2K80发布于 2018-04-10 - 来自专栏计算机视觉life
目标检测
近几年来，目标检测算法取得了很大的突破。 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 近几年来，目标检测算法取得了很大的突破。 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1. 本文对常见目标检测算法进行简要综述，并最后总结了目标检测算法方向的一些大V方便大家学习查看。 1.
1.9K30发布于 2019-07-10 - 来自专栏机器学习、深度学习
目标检测
Network for Fast Object Detection ECCV2016 https://github.com/zhaoweicai/mscnn 本文首先指出 Faster RCNN 在小目标检测存在的问题 导致小目标的检测效果尤其的差 This creates an inconsistency between the sizes of objects, which are variable, and 我们针对目标检测提出了一个 unified multi-scale deep CNN, denoted the multi-scale CNN (MS-CNN)， 主要包括两个部分： an object 这么做的目的就是靠前的特征图可以检测小目标，靠后的特征图可以检测大目标 4 Object Detection Network 检测网络，这里用了一个反卷积的特征图放大 To the best of 11
90930发布于 2019-05-26 - 来自专栏浪浪山下那个村
目标检测
的问题，即给定一张图片或一段视频判断里面包含什么类别的目标。 定位-Location：解决“在哪里？”的问题，即定位出这个目标的的位置。 检测-Detection：解决“是什么？在哪里？” 目标检测算法分类 Two stage目标检测算法 先进行区域生成（region proposal，RP）（一个有可能包含待检物体的预选框），再通过卷积神经网络进行样本分类。 常见的two stage目标检测算法有：R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN和R-FCN等。 arXiv:http://arxiv.org/abs/1311.2524 github(caffe):https://github.com/rbgirshick/rcnn 2.One stage目标检测算法 常见的one stage目标检测算法有：OverFeat、YOLOv1、YOLOv2、YOLOv3、SSD和RetinaNet等。
82920编辑于 2022-06-17 使用纯opencv部署yolov11旋转框目标检测
【官方框架地址】 GitHub - ultralytics/ultralytics: Ultralytics YOLO11 【算法介绍】 YOLOv11是一种先进的对象检测算法，它通过单个神经网络实现了快速的物体检测 其中，旋转框检测是YOLOv11的一项重要特性，它可以有效地检测出不同方向和角度的物体。 旋转框检测的原理是通过预测物体的边界框和旋转角度来实现的。 通过旋转框检测，YOLOv11在处理具有挑战性的物体检测任务时具有更大的灵活性。例如，在处理包含不同方向和角度的物体的图像时，旋转框检测可以提供更准确的检测结果。 此外，由于旋转框检测涉及到多个参数的预测，因此需要更强大的神经网络架构来处理这些参数。 总的来说，YOLOv11的旋转框检测是一种强大的技术，它可以提高物体检测的准确性和灵活性。 旋转框目标检测_哔哩哔哩_bilibili【测试环境】vs2019cmake==3.24.3opencv==4.8.0更多信息和源码下载参考博文：https://blog.csdn.net/FL1623863129
36610编辑于 2025-07-22使用纯opencv部署yolov11目标检测onnx模型
yolov11官方框架：https://github.com/ultralytics/ultralytics 【算法介绍】 在C++中使用纯OpenCV部署YOLOv11进行目标检测是一项具有挑战性的任务 运行编译后的程序，输入图像或视频，并观察目标检测结果。 目标检测onnx模型演示源码+模型_哔哩哔哩_bilibili【测试环境】vs2019cmake==3.24.3opencv==4.8.0更多实现细节和源码下载参考博文https://blog.csdn.net 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：用C#部署yolov8的tensorrt模型进行目标检测 ，使用纯opencv部署yolov5目标检测模型onnx https://www.bilibili.com/video/BV1Nc4LekE1d/ 【源码下载】 https://download.csdn.net
1.8K11编辑于 2025-07-22- 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
2.6K30发布于 2020-11-03 - 来自专栏计算机视觉战队
目标检测 | Anchor free的目标检测进阶版本
今天说的是《Soft Anchor-Point Object Detection》，其也是最近关于anchor free的目标检测的论文，作者来自于CMU，一作同样也是FSAF（2019 CVPR）的作者 背景 _ Anchor free是目标检测领域的一个研究热点，其主要可以分为anchor-point和keypoint两类。后者在往往在一个高分辨率的特征图上进行检测，其优点是准确率高，但是计算量大。 而anchor-point的方法往往在多个分辨率上进行检测，结构简单，速度更快。 整体框架其实和FSAF是类似 ●Soft-Weighted Anchor Points ● 清晰的目标更容易获得关注和更高的分数，而边缘或者被遮挡的目标比较难检测。具体的问题如下： ? ●Soft-Selected Pyramid Levels ● 该问题实际上在FSAF中也研究过，即如何选择合适的分辨率（尺度）来进行目标的检测。FSAF是通过loss来选择合适的分辨率。
1.3K30发布于 2020-11-10 - 来自专栏云+分享
目标检测 | FPN，多尺度目标检测经典Backbone
归纳总结 Name Value 标签 #多尺度 目的 针对目标检测任务中，目标尺度变化的问题，设计了特征金字塔网络 方法 构建多层特征图之间的联系，合理利用高层语义信息和底层位置信息 总结 是目标检测模型的标配 ，较好地解决了多尺度检测问题 2. 问题背景 作者提到，在2017年以前，目标检测中的一个基本挑战就是目标检测模型在处理目标多尺度变化问题的不足，因为在当时很多网络都使用了利用单个高层特征，(比如说Faster R-CNN利用下采样四倍的卷积层 所示的是经典的图像金字塔结构，其通过对不同尺度的图像提取特征，来构建特征金字塔，因此其需要对不同尺度图像分别提取特征，计算量大且消耗内存多； 图（b）所示的是2017年常见的利用最后一层（高层）特征图检测目标的模型结构 ，其对于多尺度目标的检测能力不足； 图（c）是一种利用卷积神经网络固有的多尺度特征图构建的多尺度检测模型（如SSD），但是其没有结合高层语义信息和底层位置信息，因此检测精度一般； 图（d）即FPN结构，
1.6K30编辑于 2022-04-11 - 来自专栏AI算法与图像处理
视频目标检测与图像目标检测的区别
前言 本文介绍了知乎上关于视频目标检测与图像目标检测的区别的几位大佬的回答。主要内容包括有视频目标检测与图像目标检测的区别、视频目标检测的研究进展、研究思路和方法。 基于单帧图像的目标检测 ---- 在静态图像上实现目标检测，本身是一个滑窗＋分类的过程，前者是帮助锁定目标可能存在的局部区域，后者则是通过分类器打分，判断锁定的区域是否有（是）我们要寻找的目标。 基于视频的目标检测 ---- 单帧不够，多帧来凑。在视频中目标往往具有运动特性，这些特性来源有目标本身的形变，目标本身的运动，以及相机的运动。 第三种：频域特征的利用 在基于视频的目标检测中，除了可以对目标空间和时间信息进行分析外，目标的频域信息在检测过程中也能发挥巨大的作用。比如，在鸟种检测中，我们可以通过分析翅膀扇动频率实现鸟种的判别。 首先，从概念上来讲，视频目标检测要解决的问题是对于视频中每一帧目标的正确识别和定位。那么和其他领域如图像目标检测、目标跟踪有什么区别呢？
3.1K21发布于 2021-10-27 - 来自专栏全栈程序员必看
目标检测（降低误检测率及小目标检测系列笔记）
正样本 负样本 2.为什么要训练负样本 训练负样本的目的是为了降低误检测率、误识别率，提高网络模型的泛化能力。通俗地讲就是告诉检测器，这些“不是你要检测的目标”。 简单的阅读OHEM 论文代码：https://github.com/abhi2610/ohem 三、小目标检测 小目标有两种定义方式，一种是相对尺寸大小，如目标尺寸的长宽是原图像尺寸的0.1，即可认为是小目标 小目标检测在深度学习卷积神经网络模型中一直是一个难题。 早期的目标检测框架大多数是针对通用的目标来进行检测，如经典的单阶段方法yolo和ssd，两阶段方法faster-rcnn等，这些方法主要是针对通用目标数据集来设计的解决方案，因此对于图像中的小目标来说， 答：都有看LOSS 答：都有 参考： 目标检测（降低误检测率及小目标检测系列笔记）_Z.w.j的博客-CSDN博客 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
5.3K20编辑于 2022-11-19 - 来自专栏进击的Coder
目标检测指南
目标检测 (Object detection) 是一种计算机视觉技术，旨在检测汽车、建筑物和人类等目标。这些目标通常可以通过图像或视频来识别。 目标检测在视频监控、自动驾驶汽车、人体跟踪等领域得到了广泛的应用。在本文中，我们将了解目标检测的基础知识，并回顾一些最常用的算法和一些全新的方法。 转载来源 公众号：磐创AI 来源：Medium 目标检测的原理 目标检测定位图像中目标的存在，并在该目标周围绘制一个边界框 (bounding box)。 目标检测慢: 因为其需要对每个目标候选进行前向计算。 source=post_page--------------------------- 虽然这本身不是一个模型结构，但论文提出了可以应用于可以转移到其他目标检测数据集的目标检测数据集的变换的创建。
86030发布于 2019-08-12 - 来自专栏blog-技术博客
目标检测_1
/train 注：上编的路径尽量使用绝对路径，不要使用相对路径和～符号 可能报错 生成frozen_inference_graph.pb文件 及其他文件 7，使用pd文件检测图片 import cv2 origin=base_url + model_file, # untar=True) #model_dir = pathlib.Path("ssd_mobilenet_v1_coco_2017_11 list(PATH_TO_TEST_IMAGES_DIR.glob("*.jpg"))) TEST_IMAGE_PATHS model_name = 'ssd_mobilenet_v1_coco_2017_11 TEST_IMAGE_PATHS: show_inference(detection_model, image_path) # 本例中在原始模型训练的基础上的训练一定次数 生成model.ckpt 之后转为pb文件 进行目标检测 但还是会出现某些图片不能检测的问题，也可能是由于训练测试过少的原因。 # 使用model_main.py 预测时可能效果较好
91420发布于 2020-05-08 - 来自专栏图像处理与模式识别研究所
HOG目标检测
imgWithRawBboxes,cv2.COLOR_BGR2RGB) pylab.imshow(imgWithRawBboxes,aspect='auto') pylab.axis('off') pylab.show() 11 算法：HOG目标检测是通过在测试图像上重复地进入一个64像素宽、128像素高的窗口并计算HOG描述符来完成的。 由于HOG计算不包含尺度的内在意义，且目标可以出现在一幅图像的多个尺度中，因此HOG计算在尺度金字塔的每一层上是逐步重复的。 如果SVM分类器以任何尺度预测检测目标，则返回相应的边界框。这种技术比Viola-Jones目标检测更精确，但计算上更复杂。
1K10编辑于 2022-05-29 - 来自专栏叶子陪你玩编程
目标物检测
之所以出现这种问题，是因为目标物和背景不能很好的区分开。 一般图像预处理，都会有以下一些过程： 转换成灰度图。 检测物体边缘 阈值处理 纯色背景一般到这里就可以了，目标物和背景以及能够很好的区分出来了。 最后通过查找物体的轮廓数量，计算出对应的物体数量。 mask) # 膨胀和腐蚀 mask = cv2.dilate(mask, None, iterations=1) mask = cv2.erode(mask, None, iterations=1) # 检测边缘
60210编辑于 2022-02-08 - 来自专栏SIGAI学习与实践平台
目标检测FPN
》这篇文章主要是用来解决Faster RCNN物体检测算法在处理多尺度变化问题时的不足。 本文方法通过构造一种独特的特征金字塔来避免图像金字塔的计算量过高的问题，同时能较好的处理物体检测中的多尺度变化问题。 摘要 特征金字塔是处理多尺度物体检测问题的一个基础组成部分。 然而，最近的ImageNet和COCO物体检测比赛结果表明，通过采用测试时多尺度的图像金字塔仍然可以提升最终的性能。这说明当前基于单层特征的检测系统还是具有一定的局限性。 FPN算法 FPN的目标是利用卷积网络本身带有的层次性语义特征，来构建特征金字塔。这篇文章以Faster-RCNN为例，来说明FPN如何应用到RPN和Fast RCNN中。 FPN本身不是检测算法，只是一个特征提取器。它需要和其他检测算法结合才能使用。下面介绍FPN如何应用于区域选择网络（RPN）和物体检测网络（Fast RCNN）。
2K20发布于 2019-04-26
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