登录社区云，与社区用户共同成长
邀请您加入社区
🏆 本文收录于 《YOLOv10实战：从入门到深度优化》 专栏。该专栏系统复现并深度梳理全网主流 YOLOv10 改进方法与工程实战案例，覆盖分类、目标检测、实例分割、多目标追踪、关键点检测、旋转目标检测等多个方向，坚持 持续更新 + 深度解析 + 工程验证。
本数据集专注于红外热成像场景下无人机与鸟类的视觉检测与区分，服务于低空安防、机场净空防护及生态监测。数据涵盖夜间红外航拍图像，适配反无人机预警、鸟击防范及夜间生态调研等应用。
目标检测是计算机视觉的基础任务，在安防场景中，X光安检图像因目标重叠、材质伪彩、小目标多等特点，对数据质量与模型训练提出更高要求。从数据层面看，VOC与YOLO双格式标注的对齐校验、训练集与验证集划分及类别分布均衡，直接决定模型上限；从训练层面看，输入分辨率、损失函数权重、BN稳定性及增强策略是关键调参项。以3600张、10类违禁品X光数据集为例，系统讲解从数据集体检、yolov8训练配置、参数优
在目标检测工程中，数据质量与标签格式往往决定模型上限。YOLO系算法依赖归一化坐标的txt标签与描述图像路径的data.yaml配置，理解其底层原理是高效训练的前提。本文从标签三件套——txt、xml和data.yaml入手，拆解坐标换算逻辑与目录约定，并延伸到yolov8等主流框架的训练实践，涵盖超参调优、跨版本迁移及常见踩坑案例。该数据集以2859张带标注的人形图像为载体，提供统一的yolo格
目标检测是计算机视觉的核心任务，YOLO系列因速度快、精度高被广泛应用。其训练依赖高质量标注数据，数据格式与配置直接影响模型性能。在农业视觉中，杂草检测对精准植保意义重大。本文分享一份6847张带标签的杂草图像数据集，提供YOLO和VOC双格式标签及data.yaml，覆盖yolov5到yolo11。内容涵盖数据检查、环境配置、训练参数、版本切换与避坑技巧，助你快速跑通杂草检测baseline。
摘要： ROS2通过DDS通信框架实现去中心化、实时性等改进，更适合嵌入式部署。在ARM板上运行需解决资源占用问题，推荐轻量级CycloneDDS（内存占用15-20MB）。部署流程包括交叉编译ROS2核心包、配置QoS策略优化通信。机械臂控制开发涉及URDF建模、MoveIt2运动规划及ros2_control硬件接口，关键步骤为：创建节点发布关节命令/订阅视觉位姿，通过MoveIt2实现轨迹规
OpenCode 是一款 100% 开源的 AI 编程 Agent，直接跑在终端里，支持 75+ 模型供应商，能理解整个代码库、自主完成多文件编辑和命令执行。本文带你从零完成安装与配置。
目标检测作为计算机视觉的核心任务，旨在识别和定位图像中的物体。其原理通常基于深度卷积神经网络，通过骨干网络提取特征，再经颈部网络融合与检测头预测，最终输出边界框与类别。这项技术的价值在于为自动驾驶、安防监控、工业质检等场景提供自动化视觉感知能力。随着边缘计算兴起，如何在资源受限的嵌入式设备（如RK3588开发板）上实现高效、实时的目标检测成为关键挑战。为此，以YOLO系列为代表的检测框架持续演进，
要在旧安卓手机上通过Termux配置环境并部署OpenList-Mobile作为私人文件服务器，核心步骤包括：准备设备、安装配置OpenList-Mobile、挂载手机内置存储、以及通过cpolar实现公网访问。以下是详细操作流程。
做花卉检测反复踩坑？| YOLO标准化花卉数据集配套预训练模型全方案 | 花卉数据集 yolo格式数据集
本文介绍了迭代注意力特征融合（iAFF）机制的改进方法，用于提升目标检测精度。iAFF通过多尺度通道注意力模块优化特征融合过程，解决了传统方法在尺度和语义不一致时的局限性。文章详细解析了iAFF的核心原理、代码
YOLOX 的本质，不只是“把 YOLO 改成 anchor-free”，而是用 CSPDarknet + PAFPN 作为主体，再用 decoupled head、multi positives、SimOTA 和强增强，把 YOLO 系列整体推进到一个更现代的一阶段检测框架。这也是它在学术和工业部署里都很有影响力的原因。
行人检测，昆虫检测，船只检测，口罩检测，交通标志检测，车船检测等等。目标检测yolo系列的训练和测试。可答疑，可帮配置环境。
YOLOv10：首个NMS-free端到端实时检测器 YOLOv10是2024年5月发布的新一代实时目标检测器，核心创新在于实现了NMS-free的端到端推理。
本文介绍了如何在星图GPU平台自动化部署YOLO12镜像，实现嵌入式设备上的目标检测应用。通过该平台，开发者可快速在C语言环境中集成YOLO12模型，适用于智能安防、工业质检等实时视觉识别场景，显著提升嵌入式AI部署效率。
这一部分主要看的是这个博客，介绍的非常详细。多目标跟踪算法 | DeepSort-CSDN博客它不再简单地丢弃低置信度（low-score）的检测框。1）背景痛点：在传统算法（如 DeepSORT）中，通常只保留置信度高于 0.6 或 0.7 的框，低分框被视为背景。但在遮挡、模糊等情况下，物体的检测分值会下降，丢弃这些框会导致轨迹中断（ID Switch 增加）。2）BYTE 策略：第一次关联：
本文介绍了如何在星图GPU平台上自动化部署YOLOv12目标检测镜像，实现高效的AI模型部署。该平台简化了从模型准备到上线的流程，使得开发者能够快速构建移动端实时物体识别应用，典型应用于安防监控、移动AR等需要低延迟、高隐私保护的场景。
本文介绍了如何在星图GPU平台自动化部署YOLO12目标检测模型WebUI镜像，实现高效的嵌入式AI应用。该方案支持实时目标检测，可广泛应用于智能门禁系统的人脸与车辆识别，提升边缘设备的智能化水平与响应速度。
本文介绍了如何在星图GPU平台上一键自动化部署DAMO-YOLO智能视觉探测系统镜像，实现高效目标检测。该镜像专为嵌入式AI优化，可应用于智能安防监控等场景，实时进行人脸或物体识别，显著提升边缘设备的视觉分析能力。
本文介绍了在星图GPU平台上自动化部署GME多模态向量-Qwen2-VL-2B镜像，实现嵌入式AI协同部署的方案。该方案结合YOLOv8进行实时目标检测，并智能触发GME-Qwen2-VL-2B对关键图像进行深度语义理解与描述，适用于智能安防监控等需要实时分析与深度认知的边缘计算场景。
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，实现嵌入式设备上的实时目标检测。该镜像可应用于智能安防监控、工业质检等场景，通过优化模型和资源分配，在资源受限的硬件上高效运行视觉探测任务。
本文介绍了如何在星图GPU平台自动化部署YOLO12实时目标检测模型V1.0镜像，实现高效目标识别。该镜像特别适用于嵌入式视觉场景，如智能门禁的人脸检测或工业质检中的零件缺陷识别，能显著提升实时检测效率与精度。
本文介绍了如何在星图GPU平台上自动化部署YOLO12镜像，实现嵌入式设备上的人脸识别应用。通过该平台，用户可快速配置和优化YOLO12模型，适用于智能门锁等资源受限场景，显著提升目标检测的部署效率和实时性能。
本文介绍了YOLO12模型文件目录的组织逻辑及其在星图GPU平台上的自动化部署优势。通过在该平台一键部署“YOLO12 实时目标检测模型 V1.0”镜像，用户可快速获得包含nano到xlarge五个预训练权重的本地化模型仓库，有效支持安防监控、工业质检等实时视觉分析场景，避免了网络依赖与版本不确定性。
本文介绍了YOLO12目标检测模型的安装与使用。对于希望快速上手的用户，可以在星图GPU平台上自动化部署YOLO12镜像，省去复杂的本地环境配置。该镜像可用于图片或视频中的目标识别与定位，是计算机视觉领域进行智能安防、自动驾驶等应用开发的强大工具。
本文介绍了如何在星图GPU平台上自动化部署YOLO12目标检测模型WebUI镜像，并探讨了其核心应用场景。通过该平台，用户可以便捷地搭建目标检测环境，并将其应用于实时视频流分析或图片中的物体识别等典型场景，显著提升开发与部署效率。
本文介绍了如何在星图GPU平台自动化部署YOLO12实时目标检测模型V1.0镜像，实现嵌入式设备的轻量化AI应用。该方案特别适用于智能安防监控场景，能在树莓派等资源受限设备上实时识别人脸和物体，提升边缘计算设备的视觉感知能力。
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，并快速应用于嵌入式设备的目标检测场景。通过该平台，用户可以便捷地获取并运行此优化后的镜像，实现如智能安防监控、工业质检等实时视觉识别任务，显著降低部署门槛。
在NVIDIA Jetson AGX Xavier平台上利用deepstream处理多路视频源，并部署yolov5深度学习环境，来完成乐高件的分类检测；其中，Ubuntu 18.04、jetpack 4.6.4、DeepStream 6.0.1、conda 10.2、Python 3.6.9、yolov5 6.0。
本文介绍了如何在星图GPU平台上自动化部署YOLOv12 官版镜像，实现毫秒级目标检测能力。通过一键拉取与运行，用户可快速完成人流密度分析、工业缺陷识别等实时视觉任务，显著提升智能安防、产线质检等场景的工程落地效率。
本文介绍了如何在星图GPU平台上自动化部署YOLOE 官版镜像，快速启用开放词汇目标检测能力。该镜像预置完整环境与三种提示模式（文本/视觉/无提示），可直接用于图像中任意物体的精准检测与分割，典型应用于智能安防识别、工业质检及零样本场景分析。
本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像，快速构建可定制的目标检测环境。基于该镜像，用户可通过修改yolo11s.yaml配置文件灵活调整模型结构，典型应用于工业质检、遥感图像分析及OCR等需高精度目标定位的场景，显著提升算法迭代与落地效率。
本文介绍了如何在星图GPU平台上自动化部署最新 YOLO26 官方版训练与推理镜像，快速构建目标检测开发环境。该镜像预装PyTorch 1.10、CUDA 12.1及Ultralytics 8.4.2，支持直接修改yolo26.yaml进行模型结构定制，典型应用于工业质检、智能安防等实时目标检测场景。
本文介绍了如何在星图GPU平台上自动化部署最新 YOLO26 官方版训练与推理镜像，快速开展目标检测任务。该镜像预装完整环境与五款官方权重，支持yolo26n/s/m/l/x模型灵活切换，典型应用于工业质检、安防监控及视频流实时分析等场景，显著提升AI模型落地效率。
本文介绍了如何在星图GPU平台上自动化部署最新 YOLO26 官方版训练与推理镜像，快速构建轻量级目标检测环境。该镜像预置yolo26n/yolo26s等模型，支持一键完成图像/视频中人、车、物体等实时检测与姿态估计，广泛应用于智能零售、安防监控及边缘设备实时分析场景。
本文介绍了如何在星图GPU平台上自动化部署YOLOv12 官版镜像，实现目标检测模型的开箱即用。通过一行代码即可自动下载yolov12n.pt权重、启用Flash Attention与TensorRT加速，典型应用于实时图像中车辆、行人等目标的高精度识别与定位。
本文介绍了如何在星图GPU平台上自动化部署YOLOv9 官方版训练与推理镜像，快速实现目标检测功能。该镜像预置PyTorch 1.10.0等兼容环境，用户可直接加载yolov9-s.pt权重，对图片或视频流进行实时物体识别（如检测人、马、车辆），广泛应用于智能安防、工业质检等场景。
本文介绍了如何在星图GPU平台上自动化部署YOLOv12官版镜像，实现高效目标检测功能。该镜像预集成Flash Attention、PyTorch及Ultralytics框架，支持首次运行时自动下载yolov12n.pt权重，适用于智能安防、工业质检等实时图像识别场景，显著降低环境配置门槛。
本文介绍了如何在星图GPU平台上自动化部署最新 YOLO26 官方版训练与推理镜像，快速实现目标检测功能。基于该镜像，用户可在树莓派、Jetson Nano等嵌入式设备上轻松运行模型，典型应用于工业零件检测、实时视频监控等场景，显著提升边缘计算部署效率。
本文介绍了如何在星图GPU平台上自动化部署YOLO11镜像，快速加载yolo11n.pt模型执行目标检测推理。开箱即用的环境支持对图片、视频等输入进行实时检测，典型应用于智能安防中的人车识别与定位，显著降低AI部署门槛。
本文介绍了如何在星图GPU平台上自动化部署Yolo-v5镜像，并利用该环境进行模型蒸馏实战。通过该平台，用户可以快速搭建YOLOv5开发环境，并实践用yolov5m模型蒸馏yolov5s模型，以提升轻量模型在目标检测任务中的精度，适用于视频监控、自动驾驶感知等对实时性要求高的应用场景。
本文介绍了如何在星图GPU平台上自动化部署YOLOv9官方版训练与推理镜像，快速搭建目标检测开发环境。该镜像预置了完整的PyTorch和CUDA环境，用户可基于预训练权重yolov9-s.pt，轻松实现对图片或视频流中物体的自动化识别与定位，广泛应用于安防监控、自动驾驶等场景。
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，快速搭建高精度手机识别服务。该镜像基于DAMO-YOLO算法，专为检测手机设计，可广泛应用于会议室管理、零售顾客行为分析等场景，实现非侵入式的自动化监测与分析。
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，并针对边缘设备进行GPU显存优化。通过一系列优化策略，该模型可高效运行于资源受限的边缘设备，典型应用于安防监控、无人机视觉等场景的实时目标检测任务。
本文介绍了如何在星图GPU平台上自动化部署Yolo-v5镜像，实现轻量化目标检测模型的快速应用。该方案特别针对低配GPU环境，通过部署预置的Yolo-v5镜像，用户可轻松运行yolov5n模型，完成对图片或实时视频流中物体的识别与定位，适用于安防监控、智能零售等场景的快速原型验证。
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，实现高效的手机目标检测。该平台简化了部署流程，用户可快速搭建检测环境，适用于智能零售、智慧工厂等场景下的实时手机识别与监控，有效提升边缘AI应用的开发效率。
摘要：本文针对AMD CPU环境下Qt的QPoint.x()方法返回浮点数(float)而drawLine方法需要整数(int)参数的问题，以及Python 3.11与labelImg1.8.6依赖的PyQt5版本兼容性问题，提供了canvas.py文件的完整修改方案。主要修改包括：将QPointF改为整数型QPoint，确保坐标参数类型匹配；添加参数类型转换（如int()包裹）；优化绘图逻辑。该
本文介绍了如何在星图GPU平台上自动化部署Yolo-v5镜像，实现轻量级目标检测模型YOLOv5n的快速环境搭建。该方案专注于移动端部署，通过模型转换与量化技术，可将优化后的模型集成至手机App，实现如实时AR物体识别、智能工业巡检等实时视觉应用场景。
本文详细解析了YOLOv10在目标检测领域的核心原理与创新点，包括双标签分配机制和效率驱动的模型设计，并提供了从开发环境搭建到嵌入式部署的完整实战指南。通过TensorRT加速、PTQ量化和剪枝优化等技术，显著提升模型在嵌入式设备上的性能，适用于实时嵌入式应用场景。
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
DAMO开发者矩阵
乐奇 Rokid 开放社区
