- 综合排序
- 最热优先
- 最新优先
- 来自专栏电商工具
9个国外企业OKR目标设定软件
OKRs包含目标列表，每个目标下3-4个关键可测量结果，分数为0到1.0。如果你正在寻找能够帮助你的团队实现目标的软件，可以看看这篇文章。 比如说这个问题，一个团队已经达到了300个新客户中的100个（进展）或者说他们达到300个新客户的信心从上周的9个下降到了10个中的3个（信心水平）呢？ 该工具如何支持CFR（对话，反馈和识别）？ 9个国外目标设定软件 1.BetterWorks By： BetterWorks Systems，Inc 来自美国 成立于：2013年 组织中实施OKR，让团队成员专注于正确的目标，激励员工的见解，资源和活动 2.Weekdone 上传者： WeekdoneOÜ 来自爱沙尼亚 成立于：2012年 Weekdone可帮助你设置结构化目标以协调整个组织的活动。跟踪每周进度并提供反馈。 每用户每月 9美元。 基于OKR的强大目标设定框架使领导者和团队能够专注于产生最大影响的工作。完整的成功路线图为每个人提供了360度的组织优先级和进度概述。 定价基于团队中的用户数量。团队25-99区间每月9美元。
8.2K40发布于 2019-07-09 - 来自专栏测试开发干货
【简历优化平台开发教程-9】目标企业 优化意向
目标企业的规模，一直以来都被分为：小作坊，中小型公司，大型企业。 当然他们的工作方式也不太相同，招聘环节上也有明显的界限。 小作坊更看重 候选人的全能性，抗压性，薪酬低，能干活不挑活好说话。 所以，简历优化的话后期算法上，也会着重偏向检查各位简历的内容是否满足上述目标企业。
33420编辑于 2023-08-14 - 来自专栏计算机视觉
深度学习500问——Chapter08：目标检测（9）
8.5 目标检测的技巧汇总 8.5.1 Data Augmentation 介绍一篇发表在 Big Data上的数据增强相关的文献综述。 1. context的关系 8.5.6 参考relation network 8.5.7 结合GAN 8.5.8 结合attention 8.5.9 训练tricks 介绍一篇2019.2.4亚马逊挂在ArXiv的目标检测训练
40700编辑于 2024-05-24 - 来自专栏往期博文
【目标检测】YOLOv9理论解读与代码分析
YOLOv9论文：https://arxiv.org/abs/2402.13616 YOLOv9仓库：https://github.com/WongKinYiu/yolov9 v9的改动和v8差别比较大 这个仓库里面包含了两套模型，gelan和yolov9，yolov9等价于gelan+pgi，从作者给出的测试效果图来看，yolov9的数值明显要比gelan高出一点，因此，在使用yolov9代码时，完全可以忽略 ，YOLOv9模型是GELAN+1个辅助训练分支，因此训练和验证v9模型就使用train_dual.py、val_dual.py。 按照论文所述，YOLOv9共分四个版本，从小到大依次为小型(yolov9-s)、中型(yolov9-m)、紧凑型(yolov9-c)、扩展型(yolov9-e)，截至目前，该仓库只开源了后两者型号。 另外，仓库里还有一些实验性的文件和yolov9无关，是作者令一项最新工作：YOLOR-Based Multi-Task Learning，这篇工作是想通过多个不同的任务，比如目标检测、实例分割、语义分割和图像描述来相互促进
3.3K01编辑于 2024-05-24 yolov9+bytetrack+pyqt5实现目标追踪
YOLOv9能够同时处理多个尺度的目标，并有效地应对复杂场景中的遮挡、形变等问题。这使得它成为目标追踪任务中的理想选择。 ByteTrack利用目标检测算法（如YOLOv9）提供的边界框信息，通过匈牙利算法等匹配策略，将不同帧中的目标关联起来，从而实现目标追踪。 首先，使用YOLOv9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。 综上所述，结合YOLOv9的高精度目标检测、ByteTrack的高效目标追踪以及PyQt5的直观用户界面，我们可以实现一个功能强大、易于使用的目标追踪系统。 【视频演示】 yolov9+bytetrack+pyqt5实现目标追踪结果演示_哔哩哔哩_bilibili这个是使用2024年最新深度学习目标检测框架yolov9结合bytetrack和pyqt5实现追踪算法演示
43510编辑于 2025-07-20yolov9+deepsort+pyqt5实现目标追踪
【YOLOv9+DeepSORT+PyQt5追踪介绍】 随着人工智能技术的飞速发展，目标追踪在视频监控、自动驾驶等领域的应用日益广泛。 其中，YOLOv9作为先进的目标检测算法，结合DeepSORT多目标追踪算法和PyQt5图形界面库，能够为用户提供高效、直观的目标追踪体验。 YOLOv9（You Only Look Once version 9）是YOLO系列算法的最新版本，它通过深度学习技术，能够在复杂的视频流中快速准确地检测出各类目标对象，如行人、车辆等。 通过将YOLOv9和DeepSORT算法集成到PyQt5界面中，用户可以直观地看到视频流中的目标对象及其追踪轨迹，从而实现对目标对象的实时监控和追踪。 【视频演示】 yolov9+deepsort+pyqt5实现目标追踪结果演示_哔哩哔哩_bilibili这个是使用2024年最新深度学习目标检测框架yolov9结合deepsort和pyqt5实现追踪算法演示
29410编辑于 2025-07-20- 来自专栏人工智能前沿讲习
关于目标检测你需要看的9篇论文
关注文章公众号 回复"目标检测"获取本主题精选论文 目标检测是计算机视觉的核心任务之一。 本期SFFAI15邀请了两位目标检测的一线科研人员，已有多篇顶会一作的张士峰和开源PyTorchCV的尤安升，同大家一起探讨目标检测的研究前沿以及一系列经典方法的实现细节。 可变形卷积网络的特征支持空间比常规的卷积网络更符合目标结构，但这种支持远远超出感兴趣的区域，导致特征受到不相关图像内容的影响。 推荐理由：该文章巧妙地利用关键点来表示物体方形包围框，即一个目标框可以由两个点（左上角和右下角）来表示，这样一个目标物体在预测的时候就可以直接预测两个类别的关键点，然后对两个类别的关键点进行组合即可生成对应的目标框 推荐理由来自：尤安升 9 ??? ?
1.1K10发布于 2020-05-11 YOLOv9：重构实时目标检测的技术革命
在计算机视觉领域的快速演进中，YOLOv9的问世犹如一颗重磅炸弹，为实时目标检测技术树立了全新的里程碑。 YOLOv9正是在这样的技术背景下应运而生，它不是简单的性能提升，而是对整个目标检测范式的重新思考和设计。YOLOv9 与其前身不同，通过直接解决深度神经网络中信息丢失的问题而采取了不同的方法。 从最小的YOLOv9-S模型在MS COCO验证集上达到46.8% AP，到最大的YOLOv9-E模型达到55.6% AP，这创造了目标检测性能的新标杆。2. 边缘设备部署优势YOLOv9的轻量化特性使其特别适合在边缘设备上部署。YOLOv9t和YOLOv9s模型在保持较高精度的同时，具有极低的计算开销，可以在移动设备、嵌入式系统中实现实时目标检测。 通过PGI的梯度信息编程能力和GELAN的高效层聚合技术，YOLOv9为目标检测系统建立了新的基准，在精度、速度和参数利用率方面都超越了现有的实时检测器。
83010编辑于 2025-11-06C++使用yolov9结合bytetrack实现目标追踪演示
【简介】 在C++中实现YOLOv9的目标检测与ByteTrack的多目标追踪是一个相对复杂的过程，涉及到深度学习、计算机视觉和实时数据处理等多个领域。 YOLOv9（You Only Look Once，版本9）是一种实时目标检测算法，它通过在单个网络中同时预测所有目标的位置和类别来实现高效的目标检测。 YOLOv9在速度和精度之间取得了很好的平衡，使其成为许多实时应用的首选方法。 ByteTrack是一种多目标追踪算法，它结合了目标检测和目标追踪两个步骤。 ByteTrack使用目标检测算法（如YOLOv9）来识别视频帧中的目标，并使用追踪算法来跟踪这些目标在连续帧之间的运动。 这些帧将被送入YOLOv9模型进行目标检测。 执行目标检测：在加载模型后，你可以将每一帧送入模型进行目标检测。模型将返回每个检测到的目标的边界框和类别。
49310编辑于 2025-07-20使用C++部署yolov9的tensorrt模型进行目标检测
部署YOLOv9的TensorRT模型进行目标检测是一个涉及多个步骤的过程，主要包括准备环境、模型转换、编写代码和模型推理。 首先，确保你的开发环境已安装了NVIDIA的TensorRT。 总之，使用C++部署YOLOv9的TensorRT模型进行目标检测是一个复杂但高效的过程。通过TensorRT的优化和加速，你可以在NVIDIA GPU上实现快速、准确的目标检测。 CUDA 11.7+cudnn8.8.0 Windows 10 【演示视频】 使用C++部署yolov9的tensorrt模型进行目标检测_哔哩哔哩_bilibili测试环境TensorRT 8.4.2.4CUDA 目标检测之YOLO V9来了！，yolov9+bytetrack+pyqt5实现目标追踪结果演示，YOLOv9华强买瓜，Yolov9教程来了！赶快学习吧！ ，将yolov9封装成类几句代码实现目标检测任务，YOLOv8检测界面-PyQt5实现，【yolov8-03】五分钟学会yolov8做目标检测，C#环境下部署YOLOv8模型，目标检测，超级简单，用C#
42310编辑于 2025-07-20- 来自专栏AI智韵
YoloV9改进策略：BackBone改进|CAFormer在YoloV9中的创新应用，显著提升目标检测性能
摘要 在目标检测领域，模型性能的提升一直是研究者和开发者们关注的重点。近期，我们尝试将CAFormer模块引入YoloV9模型中，以替换其原有的主干网络，这一创新性的改进带来了显著的性能提升。 通过替换原有的主干网络，CAFormer为YoloV9提供了更为强大的特征提取能力，使得模型在检测小目标和复杂背景中的目标时更加准确和鲁棒。 与传统的目标检测模型相比，采用CAFormer的YoloV9具有以下显著优点： 性能卓越：CAFormer的引入使得YoloV9在目标检测任务上实现了更高的准确率，为实际应用提供了更为可靠的保障。 这意味着，采用CAFormer的YoloV9在面对不同场景和数据集时，都能保持稳定的性能。 我们的目标是基于MetaFomer的极限，从而对其能力有一个全面的了解。
66310编辑于 2024-10-22 - 来自专栏OpenCV与AI深度学习
实战 | 基于YOLOv9+SAM实现动态目标检测和分割（步骤 + 代码）
导 读 本文主要介绍基于YOLOv9+SAM实现动态目标检测和分割，并给出详细步骤和代码。 YOLOv9简介 YOLOv9简介（You Only Look Once） YOLOv9性能图示 YOLOv9模型图 YOLOv9 在实时目标检测方面取得了重大进步，结合了可编程梯度信息 ( YOLOv9 的架构减少了不必要的参数和计算需求，使其能够在各种模型大小（从紧凑的 YOLOv9-S 到更广泛的 YOLOv9-E）上实现最佳性能，展示了速度和检测精度之间的和谐平衡。 作为计算机视觉领域的里程碑，YOLOv9不仅建立了新的基准，而且拓宽了人工智能在目标检测和分割方面的应用视野，凸显了该领域战略创新和协作努力的影响。 " 使用自定义数据运行检测 之后，执行detect.py指定参数对图像进行目标检测，设置置信度阈值并保存检测结果。
4.1K10编辑于 2024-04-12 将yolov9封装成类几句代码实现目标检测任务
【框架地址】 https://github.com/WongKinYiu/yolov9 【yolov9简介】 YOLOv7原作者出手，YOLOv9的性能依旧时一枝独秀： YOLOv9架构图 YOLOv9 的整体架构图如下（根据YOLOv9.yaml绘制）： YOLOv9改进点一览 YOLOv9从可逆函数角度理论上分析了现有的CNN架构，基于这种分析，YOLOv9作者还设计了PGI和辅助可逆分支，并取得了优秀的结果 ，同时展现出轻量级、快速和精确的巨大优势； 基于所提出的PGI和GELAN，YOLOv9在MS COCO数据集上的性能在所有方面都大大超过了现有的实时目标检测器。 GELAN模块 YOLOv9提出了新网络架构——GELAN。 vd_source=989ae2b903ea1b5acebbe2c4c4a635ee 【实现代码】 from Yolov9Manager import * detectcor = Yolov9Mangager
35010编辑于 2025-07-17- 来自专栏机器之心
目标检测新SOTA：YOLOv9问世，新架构让传统卷积重焕生机
机器之心报道 机器之心编辑部 在目标检测领域，YOLOv9 实现了一代更比一代强，利用新架构和方法让传统卷积在参数利用率方面胜过了深度卷积。 继 2023 年 1 月 YOLOv8 正式发布一年多以后，YOLOv9 终于来了！ 我们知道，YOLO 是一种基于图像全局信息进行预测的目标检测系统。 论文地址：https://arxiv.org/pdf/2402.13616.pdf GitHub 地址：https://github.com/WongKinYiu/yolov9 如今的深度学习方法重点关注如何设计最合适的目标函数 来源：https://twitter.com/alexeyab84/status/1760685626247250342 还有网友表示，YOLOv9 看起来就是新的 SOTA 实时目标检测器，他自己的自定义训练教程也在路上了 实验结果 为了评估 YOLOv9 的性能，该研究首先将 YOLOv9 与其他从头开始训练的实时目标检测器进行了全面的比较，结果如下表 1 所示。
1.5K10编辑于 2024-02-26 - 来自专栏和蔼的张星的图像处理专栏
9.SSD目标检测之三:训练失败记录（我为什么有脸写这个……）
/tfrecords_ #目标文件夹 在./tfrecords_文件夹中生成了tcrecords文件的话就表明生成成功了。 3. 训练代码调整。 --checkpoint_exclude_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9, 300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_ block11_box --trainable_scopes=ssd_300_vgg/conv6,ssd_300_vgg/conv7,ssd_300_vgg/block8,ssd_300_vgg/block9, 300_vgg/block11,ssd_300_vgg/block4_box,ssd_300_vgg/block7_box,ssd_300_vgg/block8_box,ssd_300_vgg/block9_
1.9K20发布于 2018-12-06 - 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 - 来自专栏无人驾驶感知
【目标跟踪】多目标跟踪测距
目标框内左上角，显示的是目标距离相机的纵向距离。目标横向距离、速度已求出，没在图片展示。 这里不仅仅实现对目标检测框的跟踪，且可以实现单相机进行对目标进行测距跟踪。 想了解详细原理可以参考往期博客：【目标跟踪】多目标跟踪sort （python 代码） 。这里不过多赘述，直接上代码，如有疑问，欢迎私信交流。 调用跟踪与测距接口进行计算 可以设置 dispaly 与 video_save 是否 show 图片 与保存视频 x_p 里面包含目标离相机纵向与横向距离，还有速度、加速度。 目标状态为 （x,y,vx,vy,ax,ay） 目标横向距离，纵向距离，横向速度，纵向速度，横向加速度，纵向加速度。 关于目标前后帧匹配，是利用 iou 匹配进行的，所以要基于目标检测框的匹配跟踪。
1.1K10编辑于 2024-02-05 - 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。 在最初的 RPN 设计中，在单尺度卷积特征图之上，在密集的 3×3 滑动窗口上评估小型子网络，执行目标/非目标二进制分类和边界框回归。 目标/非目标标准和边界框回归目标是相对于一组称为锚点的参考框定义的[29]。锚点具有多个预定义的比例和纵横比，以覆盖不同形状的目标。 我们通过用我们的 FPN 替换单尺度特征图来调整 RPN。 在 [16] 中，采用 ResNet 的 conv5 层（一个 9 层的深层子网络）作为 conv4 特征的头部，但我们的方法已经利用 conv5 来构建特征金字塔。 此外，我们的方法没有利用许多流行的改进，如迭代回归（iterative regression）[9]，硬负挖掘（hard negative mining）[35]，上下文建模（context modeling
1.3K40编辑于 2022-11-15 - 来自专栏机器人课程与技术
使用机器人操作系统ROS 2和仿真软件Gazebo 9目标跟踪实践（四）
目标跟踪可以使用激光或视觉传感器，本节开始只提供思路，无教程，供有兴趣的朋友自主实践。 激光测距 视觉识别 融合技术 ? mobot aws racetrack gazebo 如下图所示： ? mobot检测到coke运动其周边 具体视频如下： ROS2和Gazebo9中mobot物体跟随仿真测试 环境也提供各种复杂模式～ 白天： ? 白天模式下赛道仿真 夜晚： ? ROS2和Gazebo9中mobot跑道环境仿真测试
1.1K31发布于 2020-04-26 - 来自专栏li_wait
打印9*9乘法口诀
j = 1; j <=i; j++) { printf("%d*%d=%d ", j, i, i * j); } printf("\n"); } return 0; } 打印9* 9乘法口诀表： 从图中看出第四排和第五排没有对齐，要想对齐，可以考虑 printf限定占位符的最小宽度（https://blog.csdn.net/wait___wait/article /details/135287228） 9*9乘法口诀表中最大位数是2，因此设最小宽度为2。
52810编辑于 2024-10-23
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