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YOLO12镜像，实现高效的目标检测应用。该平台简化了C++环境下的部署流程，结合TensorRT优化技术，可快速构建实时视频流分析系统，适用于安防监控、自动驾驶等需要实时目标识别的场景。
摘要：广东佛山坚美铝业通过引入智慧安全生产管理平台，实现铝液深井铸造工艺的智能化监测，取得"4个100%"的安全成效。该系统采用耐高温摄像设备和AI视觉识别算法，能精准捕捉铝液液面的漩涡、气泡等异常特征，并与应急联锁控制系统联动，实现毫秒级响应。相比人工监测，该系统具备24小时不间断工作、提前15分钟预警、误报率低于1次/班次等优势，已在国内外多家铝企成功应用，推动行业安全生产
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，快速构建企业级目标检测能力底座。通过平台一键拉起容器，即可实现安防监控、工业质检等场景下的实时视频流目标识别与告警，显著提升AI中台视觉能力的统一性、稳定性和可运维性。
本文针对YOLOv5目标检测中的误检和漏检问题，深入分析其产生机理并提出全链路优化方案。文章首先剖析了误检（背景混淆、遮挡处理等）和漏检（小目标问题、严重遮挡等）的根本原因，从YOLOv5架构特性出发解释性能瓶颈。随后提出包含数据预处理、模型训练和后处理的完整优化框架，重点介绍改进的注意力机制（EnhancedCBAM）和网络结构优化方案。通过集成通道与空间注意力模块，增强特征表达能力，有效减少误
本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像，快速实现目标检测功能。用户无需配置环境，通过预置镜像即可在5分钟内完成模型训练与预测，适用于图像中物体识别、视频监控分析等典型场景，显著降低AI应用门槛。
本文探讨了改进YOLOv5进行小目标检测的方法，重点关注BiFPN（双向特征金字塔网络）的融合应用。主要内容包括：1）BiFPN的核心优势，如双向特征融合机制和加权融合策略；2）小目标检测的定义及技术难点；3）两种YOLOv5融合方案：基于BiFPN_Add2的简化版本和结合BiFPN_Add3的增强版本，均通过添加P2检测层提升微小目标（8-32像素）识别能力。实验表明，改进后的模型参数量增幅可
mean Average Precision（平均精度均值），它是目标检测和信息检索等任务中的重要性能指标。mAP 通过综合考虑精度和召回率来衡量模型的总体性能。
9种小麦叶部病害-目标检测数据集（包括voc和txt格式）
最近做雷达视觉前融合算法，在笔记本/服务器搭建深度学习环境，并运行模型验证，这里记录下过程和经验教训。
这里写自定义目录标题YOLOv1简介YOLOv1网络结构YOLOv1的损失函数YOLOv1简介YOLO 是 You Only Look Once 的缩写，意思是神经网络只需要看一次图片，就能输出结果。其创新点如下：（1）YOLO是一个端到端的目标检测框架，将整张图作为网络的输入，直接在输出层回归出候选框的位置和类别。（2）速度快，但准确度相对低一些。主要用于实时检测，例如视频目标检测。但 one-
一方面，蘑菇种类繁多，不同种类的形态、颜色、纹理差异大，且生长环境多样（如森林、农田、人工培育大棚等），全面采集不同种类、不同场景下的蘑菇图像难度高；通过在大棚内部署摄像头，结合基于数据集训练的检测模型，系统能实时监测蘑菇的生长状态（如生长阶段、密度），统计蘑菇数量，判断是否存在病虫害导致的异常形态。设备能快速检测原料中的蘑菇，区分不同种类的蘑菇（如香菇、平菇、金针菇等），同时识别腐烂、畸形的蘑菇
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
深开鸿 技术专区
2048 AI社区
九章云极普惠算力
