- 综合排序
- 最热优先
- 最新优先
- 来自专栏YOLO大作战
YOLOv8-Pose关键点检测
YOLOv8-Pose关键点检测✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集；模型性能提升、pose模式部署能力；应用范围：工业工件定位、人脸、摔倒检测等支持各个关键点检测 ；实时更新中，模型轻量化创新结果如下：layersparametersGFLOPskbmAP50mAP50-95yolov8-pose18733794969.668420.9210.697yolov8- -C2f_DCNV3-pose34128959308.659700.9260.743yolov8-C2f_PConv-pose20530182968.561340.9250.695yolov8-C2f_BiLevelRoutingAttention-pose20530182968.561340.9260.734yolov8 -C2f_ScConv-pose2563188264964790.9210.7yolov8-slimneck-pose30933782008.969320.930.829yolov8-C2f_RepvggOREPA-pose28045651928.493590.9150.677yolov8 -C2f_OREPA-pose19645625048.293030.9310.691YOLOv8-C2f_LSKA_Attention-pose22629870008.560800.9250.652yolov8
2.5K30编辑于 2023-11-08 - 来自专栏YOLO大作战
Yolov8-pose关键点检测：训练实战篇 | 手部关键点检测
本文解决什么问题：教会你如何用自己的数据集训练Yolov8-pose关键点检测 ✨✨✨手把手教你从数据标记到生成适合Yolov8-pose的yolo数据集； 模型性能提升、pose模式部署能力； 应用范围 ：工业工件定位、人脸、摔倒检测等支持各个关键点检测； 1.YOLOv8 介绍 YOLOv8目前支持目标检测、实例分割、图像分类、目标跟踪、姿态估计，也许还有更多惊喜在后面。 pose.yaml即可 # Ultralytics YOLO , AGPL-3.0 license # COCO8-pose dataset (first 8 images from COCO train2017 Pose关键点检测》专栏介绍 实时更新中，模型轻量化创新结果如下： layers parameters GFLOPs kb mAP50 mAP50-95 yolov8-pose 187 3379496 228 2223924 6.6 4574 0.901 0.752 by CSDN AI小怪兽
17K10编辑于 2023-12-26 OpenCvSharp实现Yolov8 Face Landmarks 人脸关键点检测
介绍： github地址：https://github.com/derronqi/yolov8-face 效果： 项目： 代码： using System; using System.Collections.Generic sender, EventArgs e) { fd.LoadWeights(Application.StartupPath+"\\weights\\yolov8n-face.onnx
27710编辑于 2025-07-20AI点检：传统门店管理的智能化应用
通过视频监控与图像识别技术，AI点检系统实现对门店运营的7×24小时自动化监测 AI点检功能是智能巡检系统中的重要组成部分，该技术通过分析视频监控、图像识别或其他传感器数据，实现对门店运营中特定问题或不符合标准行为的自动检测识别 01 零学习成本的操作设计AI点检系统注重用户体验，追求界面友好、操作简便的设计理念。系统采用直观的交互方式，即使是技术基础较弱的用户也能在较短时间内掌握使用方法。 02 AI 助手 Mimo 7x24 小时工作系统完成布控后，AI监测模块即可开始持续工作。实时监控与自动检测 系统对划定区域进行不间断监测，实时捕捉画面动态，包括顾客流动、员工工作状态等。 03 三大核心应用场景AI点检技术在门店管理中主要应用于三个重要领域：运营效率监控 系统可自动检测收银台排队情况、物料保质状态、设备运行状况等运营关键指标。
34410编辑于 2025-09-23- 来自专栏又见苍岚
FAST 角点检测
FAST，全称Features From Accelerated Segment Test，是一种快速的角点检测算法，本文记录相关内容。 特征点提取 特征点提取到底是提取的是什么？ LoG、HoG以及SIFT、SURF等被提出，这些方法大多涉及图像局部邻域的梯度计算和统计，相比较而言，FAST(Features From Accelerated Segment Test)在进行角点检测时 角点分类器 选取需要检测的场景的多张图像进行FAST角点检测，选取合适的阈值n(n<12)，提取多个特征点作为训练数据 对于特征点邻域圆上的16个像素 x \in {1,2,…,16 }，按下式将其划分为 算法特点 FAST算法比其他角点检测算法要快 受图像噪声以及设定阈值影响较大 当设置 <12 FAST 不产生多尺度特征，不具备旋转不变性，而且检测到的角点不是最优 Python OpenCV 实现 它被称为 对于邻域，定义了三个标志，cv.FAST_FEATURE_DETECTOR_TYPE_5_8，cv.FAST_FEATURE_DETECTOR_TYPE_7_12和cv.FAST_FEATURE_DETECTOR_TYPE
68510编辑于 2024-07-09 - 来自专栏J博士的博客
openpose模型在AI challenge人体骨骼关键点检测的表现
所以就直接用CMU训练的模型在AI challenge的数据集上做了测试。 最后没有使用AI challenge训练集训练的模型在AI challenge上的得分是0.1667，可以看作是一个baseline。 以下是预处理的说明以及加入预处理程序的源代码。 openpose的源代码使用#openpose ##openpose标注出来了，剩下的就是AI challenge的预处理程序。 在Google Cloud 上使用1片NVIDIA Tesla K80 跑完AI challenge的测试集大约需要24小时，4秒左右处理一副图。 AI challenge测试要求的关键点顺序是：1右肩，2右肘，3右腕，4左肩，5左肘，6左腕，7右髋，8右膝，9右踝，10左髋，11左膝，12左踝，13头顶，14脖子 openpose源码中subset
1.3K20发布于 2020-03-12 - 来自专栏YOLO大作战
Yolov8 pose关键点检测 C++ GPU部署：ONNXRuntime cuda部署
本文摘要：本文提供了YOLOv8 pose关键点检测 c++部署方式，ONNX Runtime CUDA和cpu部署 ONNX Runtime优点：通用性好，速度较快，适合各个平台复制； ONNX的官方网站：https://onnx.ai/ONXX的GitHub地址：https://github.com/onnx/onnx 1.2 Tensorrt介绍 C++ 库，用于加速 /model/yolov8n.onnx";//std::string model_path_seg = "D:/DL/AIDeploy/YOLOv8-Deploy/yolov8onnxruntime/model /yolov8n-seg.onnx";std::string model_path_pose = "D:/DL/AIDeploy/YOLOv8-Deploy/yolov8onnxruntime/model /yolov8n-pose.onnx";//Yolov8SegOnnxtask_segment_ort;Yolov8PoseOnnxtask_pose_ort;cv::Mat src = imread(
2.5K20编辑于 2024-08-14 - 来自专栏图像处理与模式识别研究所
Harris角点检测
,cv2.COLOR_BGR2GRAY)#将彩色图片转换为灰度图片 gray=np.float32(gray) dst=cv2.cornerHarris(gray,2,3,0.04)#Harris 角点检测 *dst.max()]=[0,0,255]#阈值 cv2.imshow('result',img) cv2.waitKey() cv2.destroyAllWindows() 算法：Harris角点检测是属于局部特征检测 （局部）具有鲁棒性 该区域应该包含感兴趣的结构（可辨别性） dst=cv2.cornerHarris(img, blockSize, ksize, k) img表示原始图像 blockSize表示角点检测中的领域大小 ksize表示Sobel求导中使用的窗口大小 k表示Harris 角点检测方程中的自由参数,取值参数为[0,04, 0.06] 文献：Harris, C.
43820编辑于 2022-05-28 - 来自专栏图像处理与模式识别研究所
DoH斑点检测
原始图像 im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 blobs_doh=blob_doh(im_gray,max_sigma=30,threshold=0.005)#DoH斑点检测 axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：DoH斑点检测是通过计算图像黑塞行列式矩阵中的极大值来检测斑点
97830编辑于 2022-05-28 - 来自专栏Python编程 pyqt matplotlib
OpenCV 斑点检测
Opencv中提供了SimpleBlobDetector的特征点检测方法，正如它的名称，该算法使用最简单的方式来检测斑点类的特征点。 再细化检测参数 params = cv2.SimpleBlobDetector_Params() #斑点检测的可选参数 #params.minThreshold= 10 #亮度最小阈值控制 #params.maxThreshold 1.0 #params.filterByInertia = True# 惯性率控制 #params.minInertiaRatio = 0.2#圆形的惯性率等于1，惯性率越接近1，圆度越高 然后执行斑点检测 ： detector = cv2.SimpleBlobDetector_create(params)#创建斑点检测器 keypoints = detector.detect(gauss) #在哪个图上检测斑点 plt.subplot(1,1,1) plt.imshow(cv2.cvtColor(im_with_keypoints, cv2.COLOR_BGR2RGB)) plt.title("OpenCV 斑点检测
4.5K30发布于 2019-09-25 - 来自专栏大数据智能实战
AI展示框架(7)：基于dlib实现人脸检测及关键点检测
dlib是人脸识别与人脸特征关键点获取的常用库，最近实现了将该库集成到展示框架的实验。
1.4K10发布于 2019-05-26 - 来自专栏图像处理与模式识别研究所
LoG斑点检测
im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 blobs_log=blob_log(im_gray,max_sigma=30,num_sigma=10,threshold=.1)#LoG斑点检测 axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：LoG斑点检测是通过搜索
76820编辑于 2022-05-28 - 来自专栏图像处理与模式识别研究所
DoG斑点检测
)#原始图像 im_gray=rgb2gray(im)#将彩色图片转换为灰度图片 dog_blobs=blob_dog(im_gray,max_sigma=30,threshold=0.1)#DoG斑点检测 axes[idx+1].add_patch(col),axes[idx+1].set_axis_off() pylab.tight_layout() pylab.show() 算法：DoG斑点检测类似于
59710编辑于 2022-05-28 - 来自专栏Python编程 pyqt matplotlib
OpenCV 角点检测
给棋盘的角点标上红色： “我是横行无忌的红螃蟹" 给螃蟹的角点标上绿色 源码如下： # -*- coding: utf-8 -*- """ Created on Dec 15 22:19:18 2019 COLOR_BGR2GRAY) gray = np.float32(gray) dst = cv2.cornerHarris(gray, blockSize=5, ksize=7, k=0.1) #第三个参数ksize决定了角点检测的灵敏度 @param src Input single-channel 8-bit or floating-point image. .
77010发布于 2020-05-20 - 来自专栏AI科技时讯
人脸关键点检测
人脸关键点检测是人脸在工业应用中一个比较重要的基础性研究，可以说，大多数的人脸相关业务都是在此基础上进行的二次开发。比如人脸识别，试妆算法，人脸融合等。人脸的关键点检测的好坏，直接影响后续的业务。 目前很多公司都有关于人脸关键点检测的api的业务，比如腾讯云，百度云，face++等。 这里不做过多的介绍，只是讲解一下，利用opencv的包dlib以及调用face++的接口，展示一下人脸关键点检测大致概念。 使用dlib进行人脸关键点检测 dlib封装了一个人脸关键点提取算法，下载好模型后可直接调用。 （68点） 使用face++ APi接口进行人脸关键点检测 face++ 实现了83点以及106点的关键点检测，直接去官网申请账号，进行调用接口就行。 ? (83点) ?
2.8K20发布于 2020-01-02 - 来自专栏OpenCV 系列
OpenCV 之 角点检测
: void cv::cornerHarris ( InputArray src, // 输入图像 (单通道，8位或浮点型) OutputArray dst, lambda_2) $ 则相应的 $\lambda_1-\lambda_2$ 平面为： 3.1 goodFeaturesToTrack() OpenCV 中 Shi-Tomasi 角点检测函数为 ： void cv::goodFeaturesToTrack ( InputArray image, // 输入图像 (单通道，8位或浮点型32位) 0); } 检测结果：将求得的角点响应值$R$，输出 txt 文件，与 cornerHarris() 输出的 $R$ 进行比较，结果几乎完全相同 (只有几处小数点后7位的值不同) 5 亚像素角点检测 << "]: (" << corners[i].x << "," << corners[i].y << ")" << endl; } waitKey(0); } 输入棋盘格5行8列
85350发布于 2021-03-18 - 来自专栏机器学习AI算法工程
服装关键点检测算法(CNNSTN)含(4点、6点以及8点)
实验后期考虑到在 Consumer-to-shop Clothes Retrieval Benchmark数据集上的训练效果不是很好（因为部分买家服装图片对于关键点检测训练干扰较大），我们选择了专门用于服装关键点检测的 对于以上两个数据集，我们均采用先分开训练4点检测，6点检测，8点检测的模型，然后再尝试4，6，8点检测统一训练。我们在各自的数据集上都采用了相应的对比实验以便测试评估最优模型。 AI项目体验地址 https://loveai.tech ---- 3、 模型训练过程 开始的时候，我们使用的模型是VGG16进行对图片的特征的提取，去掉VGG16 的最后两层，加上一个最大池化和一个全连接层 4.2 部分图片效果展示 以下为Consumer-to-shop_Clothes_Retrieval_Benchmark数据集4、 6和8个点的部分图片预测效果展示。 ? 以下为Fashion Landmark Detection Benchmark数据集4、 6和8个点的部分图片预测效果展示。 ?
2.6K30发布于 2021-04-22 使用C#部署yolov8-pose的姿态估计关键点检测tensorrt模型
",1024); 【视频演示和解说】 使用C#部署yolov8-pose的姿态估计关键点检测tensorrt模型_哔哩哔哩_bilibili测试环境：win10 x64vs2019cuda11.7+cudnn8.8.0TensorRT 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），YOLOv10杀疯了！Github上刚刚发布！超热乎的实时端到端目标检测来了！CV方向的初学者请速速看过来！ ，使用纯opencv部署yolov8目标检测模型onnx，北京籍前华为首名女黑客瑾瑾 在b站坚持直播编程到凌晨 可直播间却仅1在线，突破开源天花板！ ChatTTS：对话式高可控的语音合成模型，C++使用纯opencv去部署yolov8官方obb旋转框检测，将yolov8封装成一个类几行代码完成语义分割任务，使用C++部署yolov9的tensorrt ("yolov8n-pose.engine"); VideoCapture capture = new VideoCapture(0); if (!
26800编辑于 2025-07-20- 来自专栏又见苍岚
亚像素角点检测
原理解析 在亚像素级精度的角点检测算法中，一种方法是从亚像素角点到周围像素点的矢量应垂直于图像的灰度梯度这个观察事实得到的，通过最小化误差函数的迭代方法来获得亚像素级精度的坐标值。
1.3K20编辑于 2023-04-12 - 来自专栏生信修炼手册
异常点检测算法
专用的异常点检测算法 对于异常点检测而言，其本质是一个分类问题，将所有样本划分为正常样本和异常样本两类，但是不同于监督学习中的分类算法，这里的输入数据是没有标签的，所以是一种无监督学习的策略。 第二步计算每颗决策树中样本点的高度平均值，离根节点越近，高度越小，离根节点越远，高度越大； 第三步判断是否为异常点，根据高度值构建一个打分系统，取值范围0-1，靠近1被认为是异常点； sickit-learn中提供了多种异常点检测算法 ，上述两种异常点检测算法的用法如下 >>> from sklearn.svm import OneClassSVM >>> X = [[0], [0.44], [0.45], [0.46], [1]]
1.1K40发布于 2021-04-29
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