登录社区云，与社区用户共同成长
邀请您加入社区
本数据集来源于Roboflow-100医学影像基准，对影像中的肿瘤区域进行了分型框标，共包含约9900张高质量标注图像，覆盖3类脑肿瘤分型。脑肿瘤的早期发现与准确定位对治疗方案制定与患者预后至关重要。放射科医师阅读MRI/CT影像工作量巨大，且病灶在不同序列与切面上的表现差异明显，容易出现漏诊。基于深度学习的病灶自动检测可作为医师的辅助阅片工具，提升筛查效率与一致性。
数据编织让我确认了自己做的事情在行业坐标系里的位置——SOP状态机就是车间里最小号的语义网，散装数据编织成Agent可直接消费的告警语义；数据运河让我看清了大基建和小场景的关系——运河是给大船修的，小厂的活路在码头，而且大基建正在替我们抬高市场的认知水位；具身智能让我看清了对手盘也看清了同行者——Scaling Law、模型母机、场景多样性，三句话背后是同一个事实：具体场景的活儿，永远缺人干；词元
身为大学生党的我，目前正在努力学习图像处理的相关知识，这篇文章是我的一点心得——目标识别。图像处理(image processing)，用计算机对图像进行分析，以达到所需结果的技术，又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值（0-255）。图像处理技术的一般包括图像压缩，增强和复原，匹配
从今天开始在CSDN记录自己做毕设的过程。导师初步给定的方向是用FPGA做EtherCAT的主站设计，所以接下来到毕业之前尽量都会保持更新。
（上下文信息反映了各个类别的目标在图像中的联合先验概率密度分 布，即哪些类别的目标可能同时出现，哪些类别的目标则不太可能同时出现。锚框（先验框）：RPN预置了九种尺寸（三种面积128×128，256×256，512×512，每种面 积又包含三种长宽比1:1，1:2，2:1）的锚框在图像上滑动来寻找目标。目标检测层为每个边界框计算一个置信度（置信度包含两个方面，一是这个边界框含有目标的可能性大小，二
SSD(Single Shot MultiBox Detector)是Wei Liu在ECCV 2016提出的一种目标检测算法。它采用了多尺度的特征图来检测不同大小的目标,并利用anchor boxes策略有效地预测边界框和类别。SSD算法在COCO数据集上取得了较好的性能,在网络复杂度和计算量方面也优于之前的算法。本文详细介绍了SSD算法的网络结构、特点、模型训练以及评估过程。
通过以上步骤，你可以在C++中实现非极大值抑制（NMS），用于目标检测中的后处理。
关于物体识别，我更考虑在空间内的与空间发生关系的物品，如家具等，作为混合现实空间体验的标记物，这可能是物体识别最大的价值所在（当下，图像识别稳定度比物体识别稳定度高多了）。3.绕着被扫描物体，直至“上左右前后”五个面都出现黄色透明面，并且在App的标题部分显示“100%”，黄框立方体将自动出现3轴坐标轴；2.将上一章节中创建的arobject拖入Assets中，其应该如下图显示，如果没有图片，说明
本文介绍了如何在星图GPU平台上自动化部署YOLOv10 官版镜像，实现无人机巡检中的空中目标识别。该镜像支持毫秒级推理与开箱即用的视频流分析，典型应用于输电塔、绝缘子及异物挂点等电力设施的实时智能识别，显著提升巡检准确率与效率。
V831物体识别物体识别功能参数说明实例代码V831提供物体识别功能物体识别功能基于事先训练好的模型，对1000种物体进行分类，屏幕显示类别标签和置信度。文件地址：https://github.com/sipeed/MaixPy3_scripts/blob/master/scripts/nn_resnet.py注意自己的V831有没有resnet.param", resnet.bin模型。新版镜像
通过MaixHub进行在线的数据标注，模型训练，训练完成后将模型导入 K210进行数字识别
本文详细介绍了如何使用MMYOLO框架在30分钟内完成自定义数据集的目标检测模型训练与可视化。内容涵盖从环境搭建、数据准备（COCO格式）、模型配置、训练监控到结果分析的完整流程，并提供了实用的避坑指南和代码示例，帮助初学者快速上手计算机视觉项目。
断断续续地做图像识别的应用，使用过各种图像识别算法，一开始使用openCV 做教室学生计数的程序。以后又使用YOLO 做医学伤口检测程序。最近，开始使用meta 公司的Detectron2.打算做OCR 文档结构分析
两阶段检测器R-CNN（2014）：首次将CNN引入检测，但存在重复计算Fast R-CNN（2015）：ROI Pooling共享计算（2015）：引入RPN网络，实现端到端训练Mask R-CNN（2017）：添加分割分支，多任务学习一阶段检测器YOLO系列v1：网格划分开创实时检测v3：多尺度预测+Darknet-53v8：Anchor-free+蒸馏学习SSD（2016）：多特征层联合检测
如何学好机器视觉，可以使用什么软件学习
总的来说，机器视觉检测在焊接质量检测中发挥着重要的作用，可以大大提高焊接品质的稳定性和一致性，减少不良的焊接品质，提高生产效率。是焊接领域中最广泛应用的机器视觉技术，能够检测出焊接中可能出现问题的区域，提高焊接品质的稳定性。这些应用通过安装适当的工业镜头，提供足够准确的焊接图像，为计算机提供必要的信息以进行分析和评估，从而确保焊接品质的稳定性和一致性。另外，机器视觉检测还可以通过实时监测和反馈控制
我公司是南方小厂，公司有一批订单，量大，刚调好的一条生产线，一天的产能跟不上，新的生产线呢，自动化厂家还在生产中。为了弥补产能问题，要在交期之前能完成订单的生产，公司决定临时使用人工做一些补充。我们的产品呢就是猪耳标，内置了RFID芯片，这样猪靠近吃饭喝水，都能记录下来。现在的工作就是把壳体上的一串数字写入到芯片上，保持内外一致。如果人工来输入的话，难免会有问题。这样给品质部门带来了很大的工作量。
【摘要】针对智慧水务场景中水体浑浊、动态扰动等检测难题，陌讯提出多模态融合算法，通过动态光照补偿（I'=Ω・log(I+Φ・∇G)+λ・Turb）与多尺度特征融合技术，在Jetson XavierNX边缘设备实现89%mAP@0.5的高精度检测，较传统模型提升28.9%。实测显示，该方案将水库漂浮物识别准确率提升至93.7%，预警延迟降至58ms，功耗仅9.8W。关键技术包括：梯度引导增强、INT
本文旨在提出一个轻量化的模型，在减少模型参数量的同时，保持一定的精度,实验表明，该模型在Pascal VOC数据集上的计算成本不到YOLOv7的一半，仅损失约3% mAP@0.5，在MS COCO数据集上的损失为9.7% mAP@0.5，与GhostNet相比提高了0.95。
在计算机视觉领域，目标检测的稳定性直接影响系统可用性。检测抖动(Jitter)和闪烁(Flickering)是常见的技术挑战，表现为检测框位置波动或目标时隐时现。其核心原理涉及时序不同步、模型判断临界值摇摆及特征提取不一致性。通过卡尔曼滤波、轨迹关联和时域特征融合等技术，可显著提升检测稳定性。这些方法在安防监控、工业质检等场景具有重要应用价值，特别是结合运动预测和置信度滞后控制等策略，能有效解决车
一、图像分类二、目标检测1.2.3. 低处理器或嵌入式级别处理器模型三、姿态识别2. 轻量级pose detection （骨架识别）标题： 122FPS、51.8mAP 超轻量关键点检测算法PP-TinyPose122FPS、51.8mAP 超轻量关键点检测算法PP-TinyPose来啦！https://mp.weixin.qq.com/s/GPp_LGkSZ8fn8aU5VFTGrQ链接：Gi
逐个将目标截图并压缩编码，每个目标截图长度和宽度均不小于300像素，通过image_min_length设置，通过image_quality（0-100）可以设置压缩图像的质量，质量越小，压缩后的图片大小越小，然后传输。根据'\ee\ff\ee\ff'判断为不带参数的指令，转control_center.py。此外关于目标识别模块，还有一个功能是实时将目标的信息传输给auv辅助导航，目标信息的协议
本文系统解析了计算机视觉领域197个SOTA模型的演进历程，涵盖从AlexNet到Vision Transformer的图像分类技术，以及从R-CNN到YOLO系列的目标检测方法。文章结合实战经验，提供了详尽的模型选型指南与部署优化技巧，旨在帮助开发者根据具体项目需求在精度、速度和资源之间找到最佳平衡点。
FP7195可以适用80V以内所有光源驱动，转模拟调光功能保障了整个系统运行中摄影机对补光的所有要求，是机器视觉光源领域非常契合的芯片方案。
本文提出了一种基于双网络的鲁棒签名目标检测方法。首先，基于一个目标样本构造一个具有代表性的训练集。然后，根据目标不同的显著性特征，建立两种不同的神经网络对目标进行检测。最后，利用图像融合策略对两种神经网络的检测结果进行融合。在HSIs上的实验表明，与其他方法相比，该方法以一个目标样本为先验，能够提供更好的、更鲁棒的检测结果。未来的工作可以在双网络结果的自适应融合上进行。
目标检测和图像生成是计算机视觉中的两个重要任务，它们分别致力于识别图像中的特定目标和创建新的图像内容。将这两个任务进行融合，可以实现更强大的计算机视觉功能，提高目标检测的性能，实现更深入的图像理解和分析，拓展计算机视觉的应用领域。最后，本文分析了融合技术面临的挑战，并展望了未来的发展方向，包括更加高效和轻量级的模型结构和算法、更加多样化和高质量的数据采集和标注方法、更加可解释和稳定的模型结构和算法
前段时间看完此花亭，很喜欢，刚好那段时间弄懂了 yolo v3 网络，于是想自己弄个数据集练练手花了好长时间做的目标识别数据集，好多大的和重叠目标。。然后好难训练目前还未完成，只做到了第五集，后面的有空慢慢做。。其实是想使用训练出来的目标识别网络辅助标记完剩下的。。。无奈。。训练出的网络很差劲，还在努力加强中图像来源ANK-Raws-このはな綺譚-Ranpo-Kitan：Game-of-...
机器视觉光源在光伏硅片上的检测应用
UAVDT 无人机车辆检测数据集 - 无人机航拍 | 车辆检测 | 目标检测 | YOLO格式 | 智能交通 | 城市管理 | 多类别数据集 | 计算机视觉 数据集9004期
本文介绍了使用YOLOv8模型训练卫星图片地面目标检测数据集的完整流程。主要内容包括：1）数据集准备，提供标准目录结构和20种类别标注；2）创建YAML配置文件定义数据集路径和类别信息；3）数据集划分脚本示例；4）YOLOv8训练脚本详解，涵盖模型加载、超参数设置和训练过程。文中还展示了如何设置输入尺寸、批次大小等关键参数，并支持GPU加速训练。该教程适用于高速公路服务区、机场、船舶等20种地面目
本文详细介绍了基于3868张VOC+YOLO格式数据集的恶劣天气目标检测实战，针对智慧交通中的8类关键目标识别挑战。通过YOLO模型训练、性能优化及边缘设备部署技巧，有效解决了低能见度、反光干扰等恶劣天气下的目标检测难题，提升交通监控系统的准确性和可靠性。
本文深入解析了目标检测中小目标识别效果差的根本原因，并重点介绍了特征金字塔网络（FPN）的原理与实战调参。通过对比SSD等经典方案，阐述了FPN如何通过自顶向下与横向连接的特征融合机制，有效提升多尺度目标检测能力，尤其是小目标的识别精度。文章还提供了Anchor设计、融合层数选择等关键调参指南，帮助开发者系统性地优化模型性能。
本文首发:AIWalker后台回复【】即可下载原文与译文。。具体来说，。通过对来自不同基准的500多万张图像进行广泛的训练，GLEE表现出显着的多功能性和改进的泛化性能，有效地处理下游任务，而不需要特定于任务的适应。通过集成大量的自动标注数据，我们进一步增强了其零炮概化能力。此外，。我们希望，我们的方法的可靠性和普遍性将标志着一个重要的一步，有效的视觉基础模型的AGI系统的发展。模型和代码将在/上
本文提供了一份完整的YOLOv8实战教程，详细解析了从花卉分类检测数据集的构建、模型训练调优，到基于Flask的Web系统开发与部署的全流程。文章以包含15类花卉的5758张图片数据集为例，手把手指导环境配置、参数调整及性能优化，最终实现一个支持图片、视频及实时摄像头检测的交互式应用，为计算机视觉项目落地提供了可复用的解决方案。
自我学习记录，说错不负责SOLO/SOLOv2源码Github地址我的环境Python版本 3.6（官方建议3.7）CUDA版本 10.0PyTorch版本 1.2.0PyTorch官网-历史版本PyTorch和CUDA的版本要对应好，不然会出现pytorch版本和CUDA驱动不匹配的情况具体步骤#从GitHub上把SOLO源码copy下来git clone https://github.com/
本文深入探讨了Deformable DETR如何通过创新的可变形注意力机制优化小物体检测。文章对比了传统DETR的全局注意力计算量大、小物体特征易被淹没等痛点，详细解析了Deformable DETR让模型动态聚焦于关键稀疏位置的工作原理。实战部分提供了从环境搭建、数据准备到模型训练与调参的完整指南，并通过性能对比展示了其在提升小物体检测精度、大幅降低训练成本和加速收敛方面的显著优势。
本文介绍了如何在星图GPU平台上自动化部署Yolo-v5镜像，快速体验目标检测模型的推理能力。用户无需配置复杂环境，即可通过预训练模型对图片或视频流进行实时物体识别，例如自动检测图像中的人、车等常见目标，实现开箱即用的AI应用体验。
文章介绍了如何使用Qwen3-1.7b小模型结合猫娘问答数据集进行微调，以训练一个猫娘对话模型。作者首先提到在知乎上关于小参数模型作用的讨论，并决定尝试用Qwen3-1.7b模型进行实验。由于缺乏现成的猫娘问答数据集，作者通过修改现有数据集并利用大模型生成新的回答，最终制作了包含270条问答的数据集。接着，作者详细描述了代码实现过程，包括加载预训练模型、配置LoRA微调参数、处理数据集、定义训练器
摘要：本实验对比评估了TI毫米波传感器与超声波传感器在不同场景下的障碍物检测能力。实验设置包含视轴、角度、玻璃和污垢四种配置，测试距离从5厘米到10米不等。结果显示，毫米波传感器能有效检测各种距离、角度的目标，并能穿透玻璃和污垢障碍物；而超声波传感器仅能在1米左右正对目标时有效检测。实验采用AWR1642BOOST-ODSEVM设备，配合mmWaveSDK2.0和定制线性调频配置完成测试，验证了毫
本文介绍了如何在星图GPU平台上自动化部署DAMO-YOLO智能视觉探测系统镜像，快速构建制造业PCB板缺陷检测能力。通过轻量级微调与产线适配，该系统可实现焊点虚焊、锡珠、铜箔短路等细微缺陷的高精度识别，广泛应用于电子制造AOI自动光学检测环节。
本文详细介绍了如何利用Albumentations库为YOLOv8进行专业数据增强，提升目标检测性能。通过几何变换和光度失真增强策略的组合，作者在工业质检项目中实现了mAP提升5%的显著效果，并分享了增强强度与模型性能的平衡技巧。
本文介绍了如何在星图GPU平台上自动化部署YOLO12 实时目标检测模型 V1.0镜像，实现工业场景下的实时目标检测功能。通过平台一键式配置，用户可快速部署该模型，应用于产线质检、智能安防等典型视觉识别任务，兼顾高精度与低延迟需求。
本文详细介绍了SimAM注意力机制在YOLOv5/v8中的实战应用，通过无参设计实现模型性能提升。SimAM基于能量最小化理论，无需额外调参即可增强特征区分能力，适用于目标检测任务。教程包含代码实现、训练策略和工业部署优化，帮助开发者在保持模型轻量化的同时显著提高检测精度。
PCAT点云数据标注工具环境：ubuntu16.04由于目前主要研究方向为激光雷达点云目标识别，用到的是速腾的16线激光雷达。看了几篇论文，目前用深度学习做点云目标识别的一般都用的64线激光雷达，同时数据集大都是用的KITTI数据集。如果用16线的雷达做目标检测当然要用16线的数据集了，但是并没有找到相应的资源。前段时间在知乎上看到了halostorm大佬的回复，找到了其自己制作的PCAT点...
目标检测技术是计算机视觉领域的基础应用，其中YOLO系列以高精度与实时推理的均衡表现，成为工业质检、智能交通等场景的常用方案。深度学习模型训练依赖高质量数据与合理网络结构，而模型部署则需兼顾推理效率与业务集成。在道路养护领域，裂缝、坑槽等细小目标的识别对检测算法的特征提取能力提出较高要求。本文围绕YOLOv8展开，介绍从数据集准备、LabelImg标注规范、数据增强策略，到模型训练参数调优、ECA
本文通过对比实验分析了CBAM注意力机制在YOLOv11中的性能表现，验证了其通道+空间双重注意力机制相比SE模块的优势。实验结果显示，CBAM在mAP指标上提升显著，特别是在复杂场景和小目标检测中表现更优，为计算机视觉任务提供了更强大的特征聚焦能力。
本文提供了一份详尽的YOLOv8目标检测模型训练与部署指南。内容涵盖从数据标注、格式处理、类别平衡策略，到模型训练调优、评估诊断，直至ONNX导出和TensorRT加速部署的全流程。旨在帮助开发者构建高效的工业级目标检测系统，并整合了最新的实践技巧与优化方案。
本文介绍了如何在星图GPU平台自动化部署鹰眼目标检测 - YOLOv8镜像，实现高分辨率图像中的微小物体检测。该方案通过自适应分块和多尺度融合技术，可精准识别工业质检、安防监控等场景中的微小目标，提升检测精度与效率。
SiamFC网络图中z代表的是模板图像，算法中使用的是第一帧的ground truth；x代表的是search region，代表在后面的待跟踪帧中的候选框搜索区域；ϕ代表的是一种特征映射操作，将原始图像映射到特定的特征空间，文中采用的是CNN中的卷积层和pooling层；6×6×128代表z经过ϕ后得到的特征，是一个128通道6×6大小feature，同理，22×22×128是x经过ϕ后....
目标检测
——目标检测
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
脑启社区
DAMO开发者矩阵
乐奇 Rokid 开放社区
天工造物局
