- 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CSDN
java: 警告: 源发行版 11 需要目标发行版 11
问题复现 下载完源码解压到本地后通过IDEA打开项目，mvn clean package后启动springboot项目时提示【java: 警告: 源发行版 11 需要目标发行版 11】，这里提示这个是由于源码用的是 java 11 ，而我的本地是java 8 ，因此在编译时就会编译不通过，提示这样。 然后再设置编译后的字节码从11 降到 8，点击【File】-【Setting】 打开Setting设置页面，选择【Build，Execution，Deployment】-【Java Compiler
1.7K10编辑于 2024-04-08 - 来自专栏XINDOO的专栏
Agent设计模式——第 11 章：目标设定和监控
这就是目标设定和监控模式发挥作用的地方。该模式的核心是为 Agent 提供具体的工作目标，并为其配备跟踪进度和确定这些目标是否已实现的手段。 目标设定和监控模式概述 设想规划一次旅行。 在 AI Agent 的上下文中，规划通常涉及 Agent 接受高级目标，并自主或半自主地生成一系列中间步骤或子目标。 基于以下目标： {chr(10).join(f"- {g.strip()}" for g in goals)} 请对此代码进行批评并确定是否满足目标。 ，目标是否已达成？ 可视化摘要： 图 2：目标设计模式 关键要点 关键要点包括： 目标设定和监控为 Agent 配备目的和跟踪进度的机制。 目标应该是具体的、可衡量的、可实现的、相关的和有时限的（SMART）。
33310编辑于 2025-10-27 yolov11+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
71610编辑于 2025-07-22- 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。
13.4K21编辑于 2025-01-13 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。 DeepSORT算法是一种基于深度学习的目标跟踪算法，它结合了SORT算法和深度学习特征提取的优势。DeepSORT算法通过提取目标框中的特征，并使用卡尔曼滤波器进行目标状态预测，从而实现目标跟踪。 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
75410编辑于 2025-07-22Java|无效的目标发行版:11解决方案
1 出现错误 有时候当测试运行项目时，可能会在控制台输出无效的目标发行版：XX，这是可能由于版本的原因导致，比如出现如下，图1.1的问题： ?
5.7K31发布于 2020-06-1011款最佳习惯追踪养成式祝你实现目标
（四）iBetter特点与功能丰富的目标设置：建立目标的设置选项极为丰富，除基本目标设计外，还贴心加入随机“鸡汤语句”，激励用户坚持。 （六）Strides特点与功能一站式目标管理：涵盖从阅读书籍到锻炼计划等各种内容，帮助用户建立完美的例行程序，快速跟踪和组织目标。用户可以在一个应用中管理多个不同类型的习惯养成目标，非常便捷。 自定义与数据分析：支持用户快速自定义要求，设定目标并进行数据分析。比如用户想要养成跑步习惯，可以根据自己的身体状况和时间安排，自定义跑步的距离、频率等目标，然后通过数据分析了解自己的进步情况。 适用人群 适用于目标多样且希望全面管理习惯养成的人群。无论是同时想要培养学习、运动、健康饮食等多种习惯的个人，还是负责团队目标管理的领导者，Strides都能满足他们的需求。 灵活多样的功能：具有灵活的目标、奖励和安全性等其他功能。用户可以根据自己的喜好设置不同的目标和奖励机制，同时保障数据的安全性。适用人群 适合追求高效、希望有多种激励方式的习惯养成者。
1.6K10编辑于 2025-06-26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 然而，你可以通过一些间接的方法来实现这一目标，比如将PyTorch模型转换为ONNX格式，然后使用OpenCV的DNN模块加载ONNX模型。 运行编译后的程序，输入图像或视频，并观察目标检测结果。 /yolo11n.onnx"; Yolov11 detector; video_demo(detector, detect_model_path); } 【视频演示】 C++使用纯opencv部署yolov11 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
1.7K11编辑于 2025-07-22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。 在YOLOv11中，神经网络不仅预测了物体的边界框位置，还预测了物体的旋转角度。这意味着YOLOv11可以检测出不同方向和角度的物体，而不仅仅是正面的物体。 \\yolov11\\yolo11n-obb.onnx","C:\\Users\\Administrator\\Desktop\\00\\yolov11-obb-onnx-cplus\\labels.txt 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
36010编辑于 2025-07-22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, ' 调试输出 (“开始转换”) 追踪器输入 ＝ 推理结果转追踪器输入 (推理结果) ' 调试输出 (追踪器输入) ' 调试输出 (“开始更新追踪目标 ”) 追踪结果 ＝ 追踪器_更新目标 (追踪器输入) ' 调试输出 (追踪结果) 画板1.底图 ＝ 图片_缩放 (绘制结果 (图片字节集, 追踪结果), ' 调试输出 (“开始转换”) 追踪器输入 ＝ 推理结果转追踪器输入 (推理结果) ' 调试输出 (追踪器输入) ' 调试输出 (“开始更新追踪目标 ”) 追踪结果 ＝ 追踪器_更新目标 (追踪器输入) ' 调试输出 (追踪结果) 画板1.底图 ＝ 图片_缩放 (绘制结果 (图片字节集, 追踪结果),
52610编辑于 2025-07-22- 来自专栏计算机视觉理论及其实现
11种Anchor-free目标检测综述 -- Keypoint-based篇
早期目标检测研究以anchor-based为主，设定初始anchor，预测anchor的修正值，分为two-stage目标检测与one-stage目标检测，分别以Faster R-CNN和SSD作为代表 ExtremeNet通过检测目标的四个极点进行目标定位，如图1所示。 CornerNet将目前常用的anchor-based目标检测转换为keypoint-based目标检测，使用角点对表示每个目标，CornerNet主要关注目标的边界信息，缺乏对目标内部信息的获取，很容易造成误检 CenterNet算法将检测目标视为关键点，先找到目标的中心点，然后回归其尺寸。首先将输入的图片转换成热图，热图中的高峰点对应目标的中心，将高峰点的特征向量用于预测目标的高和宽，如图2所示。 ，而且从矩形区域得到的特征可能会受背景内容或其它的目标的严重影响，低质量的特征会进一步影响目标检测的性能。
1.8K30编辑于 2022-09-02 C# winform部署yolov11目标检测的onnx模型
（3）导出onnx模型：yolo export model=yolo11n.pt format=onnx dynamic=False opset=12 （4）然后将yolo11.onnx模型放进FIRC 原理解析，目标检测领如何快速水一篇论文？ YOLO全系列、DTER模型、R-CNN系列目标检测算法全详解！，一颗CV视觉AI领域的重磅炸弹！仅更改一行代码就让YOLOV11成为了最成熟、效果最好的目标检测模型！，不愧是GitHub大佬！ 半天就教会了我YOLO、SSD、FasterRCNN、FastRCNN、SPPNet、RCNN等六大目标检测算法！ 深度学习/物体检测，【2024】最全目标检测课程，带你从零开始入门YOLO、R-CNN、Faster-RCNN，小学生都看懂了！
1.3K10编辑于 2025-07-22- 来自专栏感知·论文
逃不开的小目标漏检：为什么 YOLOv11 频频丢失小目标？附 3 个实用的增强策略
逃不开的小目标漏检：为什么YOLOv11频频丢失小目标？附3个实用的增强策略导语：在目标检测的工程落地中，我们似乎总是陷入一个逃不开的“漏检魔咒”：“大目标游刃有余，小目标却频频丢失”。 但今天，我们将从底层架构出发，探讨为什么单纯放大图像治标不治本，并分享3个真正能从特征层面上拯救YOLOv11小目标检测能力的底层增强策略。01认知误区：单纯拉高输入分辨率（imgsz）为何不可取？ 02架构剖析：32倍下采样带来的“特征磨灭”YOLOv11频频丢失小目标，根本原因隐藏在它经典的“32倍下采样设计”中。 将YOLOv11浅层的下采样模块替换为SPD-Conv，小目标的边缘与纹理特征就能被完好无损地传递至深层网络。 策略二：增设P2极小目标专属检测头原版YOLOv11默认输出P3、P4、P5三个尺度的检测头（分别对应8、16、32倍下采样）。但对于极小目标而言，即便是P3层（8倍下采样）的感受野有时也显得过大。
26810编辑于 2026-05-07 使用yolov11的onnx模型结合opencv和bytetrack实现目标追踪
/ByteTrack 【算法介绍】 Yolov11与ByTetrack：目标追踪的强大组合 Yolov11和ByTetrack是两种在目标追踪领域具有显著影响力的技术。 当它们结合使用时，可以显著提高目标追踪的准确性和实时性。 Yolov11是Yolov系列算法的最新版本，它在目标检测方面具有出色的性能。 相较于之前的版本，Yolov11在精度和速度上都进行了优化，使其成为实时目标检测的理想选择。通过结合ByTetrack，Yolov11可以更有效地应用于目标追踪任务。 当Yolov11与ByTetrack结合使用时，Yolov5首先检测视频中的目标，并生成目标的初始位置和运动轨迹。然后，ByTetrack利用这些信息对目标进行精确追踪。 这种结合方式既发挥了Yolov11的高检测精度，又利用了ByTetrack的高追踪精度，使得整体目标追踪效果显著提升。
67510编辑于 2025-07-22- 来自专栏CreateAMind
YOLO11-JDE：快速精准的多目标跟踪与自监督重识别
YOLO11-JDE: Fast and Accurate Multi-Object Tracking with Self-Supervised Re-ID YOLO11-JDE：快速精准的多目标跟踪与自监督重识别 https://www.arxiv.org/pdf/2501.13710 摘要 我们提出了 YOLO11-JDE ，一种快速且准确的多目标跟踪（MOT）解决方案，它将实时目标检测与自监督的重识别（Re-Identification 在 MOT Challenge 基准测试中，YOLO11-JDE 展示了具有竞争力的跟踪精度，同时保持了高效率（见图1），使其非常适合用于对推理速度和模型大小敏感的实时多目标跟踪应用。 我们自监督策略的核心部分是使用了 Mosaic 数据增强 [6]，这是一种在现代目标检测器（如 YOLO11）训练中广泛采用的技术。 总结与未来工作 在本研究中，我们提出了 YOLO11-JDE ，一个基于 YOLO11s 构建的轻量级且高效的多目标跟踪（MOT）框架，并配备了用于联合检测与嵌入的 Re-ID 分支。
42010编辑于 2026-03-11 YOLO11目标检测：从代码实现到Coovally平台无代码快速部署
图片 YOLO（You Only Look Once）是当前最流行的目标检测算法之一，而YOLO11是YOLO家族中的最新版本，具有更高的准确度和效率。 在本文中，我们将通过YOLO11目标检测模型，带你了解如何完成一个目标检测任务以及无代码高效操作。接下来，我们将一步步指导你如何从数据准备到模型训练、推理，最终完成目标检测任务。 YOLO11模型结构配置与数据集准备 在YOLO11的目标检测中，除了标注数据外，还需要配置数据集路径以及类别信息。 YOLO11支持高效的实时目标检测。 以下是如何使用训练好的YOLO11模型对单张图像进行目标检测的代码： # 加载训练好的模型 model = YOLO("yolo11m.yaml").load("weights/yolo11m.pt
1.8K10编辑于 2025-02-05- 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. 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。 在conv4_3、conv7、conv8_2、conv9_2、conv10_2及pool11层后面接了priorbox层，priorbox层的主要目的是根据输入的特征图（feature map）生成一系列的矩形候选框
5.1K90发布于 2018-04-02 Udacity交通目标检测数据集VOC+YOLO格式13063张11类别
图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：13063 标注数量(xml文件个数)：13063 标注数量(txt文件个数)：13063 标注类别数：11 trafficLight-Red 6859 8 trafficLight-RedLeft 1754 9 trafficLight-Yellow 264 10 trafficLight-YellowLeft 14 11 truck 3503 总计 11 93086 使用标注工具：labelImg 标注规则：对类别进行画矩形框 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
50100编辑于 2025-07-22YOLO11改进 | DGNN-YOLO：基于YOLO11的动态图神经网络用于小目标检测及跟踪
这篇论文介绍了一种新颖的框架DGNN-YOLO，它将YOLO11用于小目标检测和动态图神经网络（DGNN）用于跟踪。 YOLO11是YOLO家族的一种高级迭代版本，针对实时应用进行了优化，在交通场景中检测小目标表现出卓越性能（Ultralytics，2024a）。 框架概述图2描绘了DGNN-YOLO框架，该框架无缝地集成了YOLO11进行小目标检测和DGNN进行有效跟踪。它从视频输入开始，其中YOLO11识别物体、绘制边界框并分配置信度分数。 这种设计使YOLO11即使在具有挑战性的拥挤场景中也具有高度的稳定性和适应性。YOLO11利用卷积Backbone网络从输入帧中提取层次特征，实现强大的目标检测。 这些结果证实了将DGNN引入YOLO11的有效性，尤其是在改善小目标检测精度方面。YOLO11的性能在去掉DGNN后有所下降，其精确度为0.8176，召回率为0.5248。
2.3K10编辑于 2025-01-23
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