登录社区云，与社区用户共同成长
邀请您加入社区
本文介绍了如何在星图GPU平台上自动化部署🦅 EagleEye: DAMO-YOLO TinyNAS镜像，实现Web端目标检测应用。该镜像基于ONNX Runtime集成，支持实时摄像头或图片上传检测，可广泛应用于智能安防、工业质检等场景，提升检测效率与便捷性。
本文详细介绍了如何使用YOLOv11训练高精度苹果检测模型，涵盖从数据标注到边缘部署的全流程。针对农业场景中的光照变化和小目标检测等难点，提供了专项优化策略和实战技巧，帮助开发者快速构建高效的苹果检测系统。
本文深入探讨了YOLOv6提出的Efficient Decoupled Head（高效解耦头）技术，并详细指导如何将其移植到YOLOv5框架中。针对边缘计算场景下模型复杂度增加的问题，文章提供了通道剪枝和INT8量化等轻量化实战方案，旨在实现精度与效率的平衡，最终助力模型在Jetson等边缘设备上高效部署。
本文介绍了如何在星图GPU平台上自动化部署🦅 EagleEye: DAMO-YOLO TinyNAS镜像，实现嵌入式端高效目标检测。该镜像专为资源受限设备优化，支持在STM32、RK3399等平台实时运行，典型应用于工业零件缺陷识别、智能安防人体检测等边缘AI场景。
本文介绍了如何在星图GPU平台自动化部署Pi0具身智能（内置模型版）v1镜像，实现机器人视觉导航功能。该镜像集成了YOLOv8目标检测模型，能够实时识别环境中的障碍物，为机器人提供精准的视觉感知和动态避障能力，适用于智能仓储、服务机器人等场景。
本文介绍了如何在星图GPU平台自动化部署🦅 EagleEye: DAMO-YOLO TinyNAS镜像，实现高效的移动端目标检测。该方案通过模型量化与优化技术，显著提升移动设备上的推理速度，适用于智能手机实时物体识别、安防监控等场景，为移动AI应用提供轻量高效的解决方案。
本文介绍了如何在星图GPU平台自动化部署Pi0具身智能（内置模型版）v1镜像，实现基于YOLOv8的目标检测与智能抓取应用。该镜像结合了先进的视觉识别和机器人控制技术，典型应用于工业自动化中的物体分拣与精密操作，显著提升生产效率和智能化水平。
本文详细介绍了基于15k热成像数据集进行YOLOv8模型训练与部署的完整实战流程。从数据集特点、环境准备、模型训练调参，到验证测试、Python脚本集成及ONNX格式导出，提供了全链路指南。重点探讨了热成像人体检测在安防、自动驾驶等领域的应用，并分享了针对热源干扰等特殊问题的实战技巧与避坑建议。
本文介绍了如何在星图GPU平台自动化部署“实时手机检测-通用”镜像，实现零代码搭建专业手机识别系统。该镜像基于DAMO-YOLO框架，可实时精准检测图像中的手机位置，适用于教育监管、会议管理等安防场景，大幅提升检测效率与准确性。
本文介绍了如何在星图GPU平台上自动化部署YOLOE官版镜像，实现高效的目标检测与图像分割。该镜像支持自定义类别检测，可快速应用于电商商品识别、交通场景分析等实际场景，大幅提升计算机视觉任务的开发效率。
本文介绍了如何在星图GPU平台上一键自动化部署实时手机检测-通用基于DAMO-YOLO和TinyNAS WebUI镜像，快速搭建目标检测环境。该镜像适用于移动端设备上的实时物体识别场景，如智能手机应用中的实时目标检测与监控，显著提升开发效率与部署便捷性。
本文介绍了如何在星图GPU平台自动化部署实时手机检测-通用镜像，实现高效的移动设备手机识别功能。该镜像基于DAMOYOLO-S Tiny轻量模型，可快速检测图像或视频中的手机位置，适用于会议室管理、零售分析和教育场景中的设备使用监控。
本文介绍了如何在星图GPU平台上一键自动化部署EagleEye: DAMO-YOLO TinyNAS镜像，实现移动机器人的实时视觉导航。该方案通过集成ROS2节点，使机器人能够快速识别环境障碍物并自主规划路径，适用于室内导航、避障等典型应用场景，显著提升移动机器人的环境感知与决策能力。
本文提供了YOLOv5从零开始的完整实战指南，涵盖环境搭建、数据准备、模型训练、推理部署全流程。详细解析了算法流程中的关键步骤，包括数据标注格式、模型变体选择、超参数调优及常见问题排查，旨在帮助开发者高效完成目标检测项目的落地应用。
本文介绍了如何在星图GPU平台上自动化部署实时手机检测-通用基于DAMO-YOLO和TinyNAS WebUI镜像，实现高效的移动端目标检测。该镜像专为手机等低算力设备优化，可应用于实时视频流中的物体识别与检测场景，有效提升移动AI应用的性能与部署效率。
本文提供了一份详尽的Detectron2实战指南，重点介绍了如何快速部署Mask R-CNN模型并实现实时摄像头目标检测。文章从环境配置、模型选择、摄像头集成到性能优化，提供了完整的代码示例和避坑指南，旨在帮助开发者高效完成从理论到实践的落地应用。
本文深入解析了机器人视觉抓取中从目标检测到机械臂执行的核心环节——坐标变换。通过将相机像素坐标逐步转换为机械臂基座坐标，并结合相机内参、手眼标定、工具标定等关键技术，详细阐述了实现精准抓取的全链路流程与实战代码，帮助开发者避开常见误区，提升机器人系统集成能力。
本文介绍了如何在星图GPU平台自动化部署Pi0具身智能（内置模型版）v1镜像，实现基于YOLOv8的机器人视觉控制。该镜像集成了目标检测与机器人控制功能，可应用于工业分拣、服务机器人导航等场景，提升机器人的环境感知与自主决策能力。
本文详细解析了使用YOLOv8进行交通标志检测的完整流程。从数据集的准备与标注、模型训练与参数调优，到性能评估与模型优化，最后提供了本地脚本、Web API及边缘设备（如Jetson）等多种部署方案，为智能驾驶与交通监控应用提供了实用的实战指南。
本文介绍了如何在星图GPU平台上自动化部署YOLO12镜像，实现移动端目标检测应用。通过该平台可快速搭建Android开发环境，将YOLO12模型优化部署到手机端，适用于实时物体识别、智能安防监控等场景，显著提升移动AI应用开发效率。
本文详细介绍了如何利用YOLOv8目标检测模型构建一套完整的智能水果分拣系统。内容涵盖从模拟真实环境的数据集采集与标注、模型训练与调优，到将模型通过ONNX/TensorRT优化并部署为高性能推理服务的全流程，最终实现与工业控制系统集成，打造高效稳定的自动化分拣解决方案。
本文介绍了如何在星图GPU平台上自动化部署Pi0具身智能（内置模型版）v1镜像，并集成YOLOv5模型实现精准的物体识别。该方案通过结合Pi0的高层任务理解与YOLOv5的快速检测能力，可有效应用于工业分拣场景，提升机器人对螺丝、螺母等零件的识别与抓取精度。
本文详细介绍了YOLOv11模型在地瓜派RDK S100P开发板上的量化部署过程。文章首先提供了相关参考资料和官方示例，然后详细说明了环境部署建议。重点阐述了YOLOv11模型转换ONNX格式的方法，以及使用hb_compile工具进行BPU算子检测的关键步骤。特别指出了YOLOv11中C2PSA算子可能导致的BPU兼容性问题，并分析了该模块的结构特性。文章为在边缘设备上部署最新YOLO模型提供了
本文介绍了如何在星图GPU平台上自动化部署“实时手机检测-通用”镜像，快速构建手机三维位姿追踪系统。该系统结合DAMO-YOLO检测模型与SLAM技术，能够实时定位手机在三维空间中的精确位置与朝向，为AR导航、智能安防等应用提供核心技术支持。
本文介绍了如何在星图GPU平台上自动化部署“实时手机检测-通用”镜像，快速搭建高性能手机检测服务。该镜像基于阿里巴巴DAMO-YOLO模型，体积小巧仅125MB，精度高达88.8% AP@0.5，可广泛应用于安防监控、零售分析等场景，实现图片或视频流中的手机实时定位与识别。
本文介绍了如何在星图GPU平台上自动化部署“实时手机检测-通用”镜像，并配置HTTPS证书以提升Gradio服务的安全性。该镜像基于DAMO-YOLO模型，能够快速、准确地检测图片中的手机位置，适用于内容审核、智能安防等需要识别电子设备的场景。
本文详细介绍了YOLOv11目标检测模型的高效部署流程，重点解析了如何利用TensorRT进行推理加速。内容涵盖从ONNX模型导出、预处理与后处理实现，到FP16/INT8量化、动态Shape优化等核心技巧，并提供了完整的代码示例和针对桌面GPU与边缘设备的性能调优指南，帮助开发者快速在生产环境中实现高性能模型部署。
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
地瓜机器人开发者社区
