登录社区云，与社区用户共同成长
邀请您加入社区
先说场景。行为生态学、水产养殖、群体机器人都在研究一件事：鱼群为什么能聚成群、怎么躲避捕食者、局部交互规则是什么。要回答这些问题，前提是拿到每一条鱼在三维空间中随时间变化的完整轨迹——不是 2D 投影，是 3D 的。而获取手段上，视觉是唯一可扩展、无侵入的方案。然后难题来了。鱼群的跟踪有三个叠加的"地狱级"设定：更糟的是，外观这条路也是死的。同一群鱼长得几乎一模一样，还频繁互相遮挡。传统多目标跟踪
其思路如下第一步，对代码进行耗时排序，针对性的分析耗时原因，一个一个的解决，提升10%；第三步，使用全局大变量，存储中间图像信息，减少出入栈的频率。（海、陆、空，大、小、微，快、中、慢，等各种工况下的目标，其运动特性千差万别，跟踪策略也是风格各异。对于目标跟踪，绝大部分人关系的是速度，每秒处理的帧率越多，容错性就越好，平坦度就越高。随着大毛和小毛旷日持久的互殴，能追人的又小、又便宜无人机和弹弹瞬间
本数据集专注于变电站场景下多类电力设备的视觉检测，服务于电力巡检、设备状态评估及运维管理。数据涵盖16类变电站核心设备部件，适配无人机巡检、机器人巡检及固定监控的自动化识别应用。
YOLO土壤与木材表面颜色特征目标检测数据集聚焦于农业和林业领域中常见的材料表面缺陷检测任务，旨在为基于深度学习的图像识别提供高质量的标注数据支持。该数据集名称直接反映了其核心应用场景，即通过颜色特征对土壤和木材表面进行分类与定位，适用于农作物生长环境监测、木材质量评估以及自动化分拣等实际需求。数据集的设计充分考虑了工业场景中的复杂背景与多变光照条件，具备较强的现实应用价值。
对象，以便在后续的图像处理和分析中能够更方便地使用。这种颜色空间的转换在许多应用中都非常重要，例如视频处理、图像增强、目标检测等。YUV 是一种常见的视频压缩格式，而 RGB 则更适合于大多数图像处理算法和显示设备。函数通过一系列的参数设置和调用特定的函数，实现了高效准确的 YUV 到 RGB 的颜色空间转换，为图像处理流程提供了关键的支持。函数的主要功能是将输入的 YUV 格式的视频帧转换为 R
1.海思SS928 SDK介绍。
海思-KCF
如果说相机是机器人的“眼睛”，激光雷达就是机器人的“触角”——它用激光束主动探测周围空间，直接获取精确的三维距离信息。但在“如何让激光扫描空间”这个问题上，四种技术路线给出了完全不同的答案。这篇文章从物理原理出发，横向对比机械式、MEMS、OPA和FMCW四种LiDAR技术路线的工程成熟度，帮你理解它们各自适合什么场景。
本数据集专注于军事飞机型号的视觉检测与识别，服务于军事航空研究、目标侦察及空域安全。数据涵盖34种经典军用飞机型号，从A10、B1、B2、B52到F22、F35等，适配细粒度目标检测、机型识别及航空器分类等任务。
本数据集专注于葡萄园行间自主导航所需的语义分割，服务于农业机器人、精准农业及自动化植保。数据采集自真实葡萄园行间，涵盖不同天气、时段及地形条件，适配机器人视觉导航、行间路径识别及避障等应用。
大家好，我是嵌入式孙老师。做嵌入式十几年了，从 MCU、Linux、驱动、Yocto，到 NXP、Rockchip、Jetson、Camera，再到现在的边缘 AI，这一路接触过不少项目，也认识了不少同行。平时我自己也建了一个边缘嵌入式交流群，群里有做 BSP、Camera、机器人、Jetson、瑞芯微、NXP，也有做 AI 部署和系统开发的工程师。
为了实现可靠的车辆驾驶环境识别，并提供适当的道路安全应用，提出了基于车载传感器和车辆无线通信的协同感知方法。提出了基于车辆无线通信数据与车载传感器数据融合的协同感知方法，其中，采用了基于Kalman滤波的方法来融合车载传感器感知和通过V2X通信接收到的目标轨迹数据，以准确可靠地定位车辆周围的远程目标并预测其未来的轨迹。1）所提出的方法应用范围被限制在Ego车辆周围存在单一远程目标的驾驶场景中。2）
在大多数已经应用了AGV的仓库中，依然存在人工堆放物品的情况，这会导致WMS系统无法实时判断每个库位的实际占用情况，进而造成WMS提供给AGV的信息不准确。如果已经被占据的库位不能及时被识别，AGV可能会收到错误指令，不仅降低了运行效率，还容易碰撞其他货物或设备，严重时甚至可能引发安全事故，危及人员和设备的安全。库位状态识别系统因此应运而生，系统通过自动定位、数据实时同步、精确库存控制等功能，优化
目录基于树莓派的智能摄像系统第一章 绪论需求：目标追踪应用于生活的方方面面，但在大部分领域目标依靠于手动校准第二章 前期的准备第三章 树莓派运行yolov5和tensorfolw lite第四章 自动跟踪模块第五章 语音控制和定位模块结合用户识别第六章APP远程监控和选择目标跟踪模块第七章 用户身份验证第八章 总结摘要目前，在教室中的网课录制和课程录制当中，由于被摄像机固定大大限制了老师们的发挥，
iniVation是基于事件的动态视觉传感器（DVS）技术的市场领导者，宣布推出了具有USB3.0接口的下一代DAVIS346传感器。与以前的产品相比，它的分辨率提高了一倍多，并且体积缩小了30%，具有很强的鲁棒性。这些方面的提高使工业视觉应用中的细节运动和解决方案能够获得更加精细分辨率。iniVation DVS产品系列是基于事件的视觉最完整的解决方案。iniVation传感器具有多种分辨率和尺
代码地址：https://github.com/ybsong00/Vital_release程序入口：demo_tracking.m主要问题：github上给出的matconvnet是作者修改过的，不完整的。因此运行demo_tracking.m时报错解决方法：将自己编译好的matconvnet复制到Vital代码下，使用作者给出的matconvnet部分代码替换自己编译好的m...
本文研究了传感器网络中协同目标跟踪问题，通过最大化传感器与目标状态间的互信息，推导出最优传感器布置方案。针对非线性仅航向测量场景，利用互信息最大化提升估计性能，并通过仿真验证了该方法在不同传感器数量下的有效性，显著降低了均方根误差。
本文提出一种结合移动与固定传感器的混合网络目标跟踪方案，通过移动传感器主动跟随目标以提升检测质量并降低能耗。该方案有效应对覆盖空洞、能量受限和负载不均等问题，支持单目标与多目标场景，具有可证明的性能边界，并通过仿真验证了其在跟踪效率和节能方面的优越性。
论文：DETRDistill: A Universal Knowledge Distillation Framework for DETR-familiesICCV2023代码：https://github.com/BIVLab-USTC/DETRDistill。
使用低分辨率摄像头；使用轻量级 YOLO 模型；减少不必要的绘图和文本处理；避免重复内存分配。如果你希望我帮你进一步优化（如添加多线程、支持 GPU 加速、保存视频等），也可以继续告诉我！
是两种不同的显存优化技术，虽然目标类似（减少训练时的显存占用），但实现原理完全不同。若想用更大的 batch size（如提升训练稳定性），可通过累积梯度实现，但不会减少单步显存占用。：显存占用可减少到原来的 1/√N（N 为模型层数），但会增加约 30% 的计算时间。：显存占用与小 batch 相同，但训练时间更长（因需多次前向/反向）。需要大 batch 但显存不足时（如目标检测、大语言模型微
然而，由于其卷积核权重分布相对均匀，对边缘的响应强度不如 Sobel 算子，边缘定位精度也相对较低，在实际应用中常用于对实时性和抗噪性有一定要求的一般性边缘检测任务。但由于其卷积核尺寸较小，仅考虑了 2×2 邻域内的像素关系，对噪声非常敏感，检测到的边缘不够连续，定位精度较低，通常适用于噪声较少的图像边缘检测。拉普拉斯算子具有各向同性，能够检测任意方向的边缘；Robert 算子是一种简单的一阶边缘
HuskyLens二哈识图是一款简单易用的AI视觉传感器，内置7种功能：人脸识别、物体追踪、物体识别、巡线追踪、颜色识别、标签识别、物体分类。仅需一个按键即可完成AI训练，摆脱繁琐的训练和复杂的视觉算法，让你更加专注于项目的构思和实现。HuskyLens板载UART / I2C接口，可以连接到Arduino、LattePanda、Micro:bit、Raspberrypi等主流控制器，实现硬件无缝
Apache SkyWalking 提供了一套包装类来支持编程方式下的异步跟踪。这些包装类可以确保在使用线程池或并行流时，跟踪上下文（如 Trace ID）能够正确地在异步任务之间传播。通过遵循上述指导原则，您可以在应用程序中有效地实施异步任务的链路追踪，从而简化调试和性能分析过程。来包装您的任务，以确保跟踪上下文的正确传播。当处理并行流时，可以分别使用。来包装流中的转换和消费操作。对于线程池，您
2025年最新，且全网唯一方法，有现成的镜像给你。说在前面，本文过程参考过多文章，可能在绕远路，但实测真的可以复现，万事开头难，装系统就最难。
在自动化部署、监控和管理任务中，Python因其简洁性和强大的库支持而成为首选语言之一。pause命令导致的程序挂起。
比如说，在一个检测车辆的任务中，如果模型把一辆真实存在的车正确检测出来了，这就是一个 TP；这些概念在评估目标检测模型的性能时非常重要，基于它们可以计算出各种评估指标，如准确率、召回率、F1 值等，以全面衡量模型的检测效果。：指被错误地检测为正例的负例样本数量，也就是误报。举例来说，模型把一个本不存在目标物体的区域错误地判断为存在目标物体。：指被错误地检测为负例的正例样本数量，也就是漏报。例如，模
武汉优联前端科技有限公司由一批从事前端10余年的专业人才创办，是一家致力于H5前端技术研究的科技创新型公司，为合作伙伴提供专业高效的前端解决方案，合作伙伴遍布中国及东南亚地区，行业涵盖广告，教育， 医疗，餐饮等。BlazeMeter是一种负载测试工具，可确保交付高性能软件，以快速运行移动应用程序、网站或API的性能测试，以检查其开发的每个阶段的性能。k6 是一款广受全球企业欢迎的最佳开源负载测试工
找到 postprocess.h 文件：include/rknn/postprocess.h。找到标签 txt 文件：./model/coco_80_labels_list.txt。找到后处理代码 postprocess.cc：src/postprocess.cc。这里默认是 80 个类别，要改成你自己的类别（也可以新建自己的类别文件）如果编译过程中没有任何报错，那么报错的可能原因是你的。1. 类
使用docker持久化部署Zipkin
主要是针对目标跟踪算法MixformerV2的工程化应用，进行了onnx加速和tensorrt加速。
mpc模型预测控制从原理到代码实现mpc模型预测控制详细原理推导matlab和c++两种编程实现四个实际控制工程案例：双积分控制系统倒立摆控制系统车辆运动学跟踪控制系统车辆动力学跟踪控制系统包含上述所有的文档和代码。ID:6940655344134433...
目标跟踪、室内外定位/导航、多传感器融合、非线性滤波等探讨及技术支持目标跟踪、室内外定位/导航、多传感器融合、非线性滤波等探讨及技术支持目标跟踪、室内外定位/导航、多传感器融合、非线性滤波等探讨及技术支持1. 机动/非机动目标跟踪原创不易，路过的各位大佬请点个赞博主主要擅长以下几个方面，探讨、技术支持等问题欢迎联系，也可以站内私信weixin: ZB8236183131. 机动/非机动目标跟踪1
没有使用链路跟踪时，页面报错都是要到日志里定位，在分布式部署的项目中，还是比较麻烦的。项目中链路跟踪本人选型了skywalking，为了方便定位页面问题，实现了web界面reponse中返回skywalking的traceId，不多说直接上代码实现。1、pom.xml引入<dependency><groupId>org.apache.skywalking</group
2.1 多传感器数据关联时的数据准备2.1.1.预处理一、 点迹过滤：基本依据是运动目标和固定目标跨周期的相关特性不同。**（1）保留雷达扫描5周期的信息，包括各个障碍物的坐标信息；（2）新点迹与之前5圈的点迹按由老到新的次序进行逐个对比；（3）根据目标运动速度等因素设置两个窗口，一个大窗口，一个小窗口。设置6个标志位p1~p6和GF；（4）新来的点迹与第一圈的点迹比较，比较结果第一圈点迹中至少有
视频原文件很贵，文字描述很便宜；视频理解不稳定，文字筛选可测试、可追踪、可降级。把复杂模态压成文本，是多模态系统降本增效的关键路径。
该数据集专注于办公桌面与日常书写场景中的笔类目标检测任务，名称中明确指出其应用场景。从类别推测，数据集中可能包含“笔”和“其他物品”两类对象，或者更具体地涵盖不同类型的笔（如钢笔、圆珠笔、铅笔等），也可能将“笔”与其他常见办公用品进行区分。此数据集适用于需要识别和定位笔类物体的智能办公系统、自动化文档处理、桌面机器人导航等实际应用，尤其适合用于开发能够理解办公环境并执行相关操作的视觉系统。数据集共
<think>我们根据要求生成不超过150字的摘要。内容应概括YOLO标准数据集格式要点：目录结构、标注格式、类别文件、配置文件及注意事项。控制字数。</think>YOLO标准数据集采用images与labels对应目录，标注文件为纯文本，每行记录类别ID及归一化后的中心坐标和宽高，类别编号从0对应classes.txt，配置由data.yaml指定路径与类别。注意坐标须
课程第九讲，Jetson上Ultralytics YOLO模型实战，从概念到实时检测，包括YOLO原理、Ultralytics框架、推理流程、实战代码、参数调节，以及连接第八讲视频流。摘要简洁。</think>本课程第九讲介绍在Jetson上使用Ultralytics YOLO模型实现实时目标检测。内容涵盖AI模型原理、YOLO与Ultralytics关系、推理流程、核心代码及参数调整
摘要应涵盖主要信息：ICLR 2026于里约热内卢举行，汇总了目标检测相关论文约21篇，涉及DETR/实时检测、开放词汇、3D/BEV等方向。需要简洁。忽略格式。输出中文。</think>ICLR 2026于4月23-27日在巴西里约热内卢举行，主会接收目标检测相关论文约21篇，涵盖DETR/实时检测器、开放词汇、源域无关与增量学习、3D/多模态BEV、弱监督旋转框及低光/显著性检测等方向，并区分
YOLO工业金属表面缺陷目标检测数据集聚焦于工业制造领域中金属材料的表面质量检测，旨在为自动化检测系统提供高质量的标注数据支持。该数据集适用于钢铁、铝材、铜材等金属制品的生产线，可广泛应用于裂纹、锈蚀、划痕、孔洞、凹陷和氧化等常见缺陷的识别任务。在实际工业场景中，此类数据集能够有效提升产品质量控制效率，减少人工检测成本，是实现智能制造和工业4.0的重要基础资源。数据集包含共计4317张高质量图像，
垃圾物品目标检测数据集 | 垃圾分类 回收检测 城市环卫 目标检测9012期
本数据集含5700张考场监控图像，精准标注3类作弊行为（俯身抄袭、传递答案、使用手机），采用YOLO格式，覆盖多姿态、多角度及复杂光照场景，专为训练高鲁棒性AI监考模型设计。
YOLO股票价格走势目标检测数据集是一个结合金融领域与计算机视觉技术的创新性数据集，其名称暗示了该数据集可能用于识别和分析股票价格图表中的关键特征。从类别名称推测，该数据集可能涵盖股票价格走势图中常见的元素，如上升趋势、下降趋势、震荡盘整以及关键支撑/阻力位等。此类数据集可广泛应用于金融可视化分析、智能交易辅助系统及自动化图表解读工具中，为基于图像的金融信息处理提供基础支持。数据集包含6671张图
传统客流统计通常只输出进店人数和出店人数，但零售场景中的原始人员轨迹并不能直接作为消费者数据使用。员工、配送人员、重复进出等目标会造成统计噪声。本文从数据处理链路出发，拆解有效客流的计算过程，包括目标检测、轨迹关联、员工识别、重复目标过滤、事件生成、数据聚合，以及最终的转化率计算。
YOLO乒乓球比赛落点轨迹目标检测数据集是一个专注于乒乓球运动场景的专用数据集，旨在支持对乒乓球比赛中球体落点轨迹的识别与分析。从名称和类别推测，该数据集可能用于体育赛事视频分析、运动员动作研究或智能裁判系统开发等实际场景。其核心目标是通过目标检测技术精准定位乒乓球在比赛中的落点位置，从而为后续的轨迹追踪、比赛策略分析提供数据基础。此类数据集在体育智能化和自动化评估领域具有较高的应用潜力。
本文介绍了面向可见光-红外目标检测的轻量级跨模态融合模块 HAFFormer，源于 LCAFNet 中的双向模态引导交叉注意力与门控融合思想。该模块分别利用可见光和红外特征生成交叉注意力增强表示，在保留原始模态信息的同时充分挖掘纹理细节、热目标响应与边缘结构等互补信息，并通过门控权重自适应分配两种模态贡献。我们将 HAFFormer 成功集成进 YOLO11 的 Neck 特征融合阶段，替代原有拼
1]郭亚楠,黄德启,倪自聪,等.多尺度特征增强与动态采样的轻量化目标检测[J/OL].哈尔滨工业大学学报,1-20[2026-08-17].https://link.cnki.net/urlid/23.1235.T.20260618.1013.004.
本项目基于 YOLOv11 与 DOTA v1.0 数据集，实现遥感/航拍图像中的多类别目标检测，并提供完整的训练流程与可视化检测系统
目标跟踪
——目标跟踪
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
海思HiSpark开发者社区
亚马逊云科技技术品牌专区
乐奇 Rokid 开放社区
天工造物局
快递鸟社区
