登录社区云，与社区用户共同成长
邀请您加入社区
视觉引导抓取系统方案摘要 本文提出一种基于YOLO+PLC的工业视觉引导抓取方案，采用轻量级架构实现高精度、高稳定性抓取。系统由上位机执行YOLOv11目标检测，通过TCP协议与西门子PLC通信，引导机器人完成自适应抓取。核心内容包括： 分层架构：上位机专注视觉算法（Python+ONNX Runtime），PLC负责运动控制，降低系统耦合度 高精度标定：采用九点标定法实现相机内参标定和手眼标定，
摘要：本文深入解析YOLOv8评估指标，重点介绍了mAP（平均精度均值）的计算方法及其核心概念。通过数学公式详细阐述了IoU（交并比）、Precision（精确率）和Recall（召回率）的计算原理，并提供了完整的Python代码实现mAP计算过程，包括IoU计算、AP计算以及最终的mAP计算流程。文章还解释了YOLOv8中常用的mAP50和mAP50-95指标含义，帮助开发者全面理解目标检测模型
本文面向体育赛事视频的实时目标检测需求，基于 YOLOv5–YOLOv12 构建可复现的检测系统，实现多模型一键切换与统一评测。系统采用 PySide6 提供图片/视频/摄像头输入、检测结果可视化、Conf/IOU 调节与类别统计，并结合 SQLite 完成登录注册与结果持久化。文末给出完整代码、界面工程与数据集组织方式，便于快速复现与二次开发。
本文介绍了使用YOLOv8模型在MOT20数据集上进行行人多目标跟踪与计数的完整流程。MOT20数据集包含931282个行人标注，训练视频8931帧，测试视频4479帧。文章详细阐述了从数据预处理（包括标签格式转换）、创建YAML配置文件、环境搭建、模型训练到推理部署的全过程，并提供了Python代码示例。特别说明了如何实现行人检测、追踪和计数功能，建议结合SORT算法进行目标跟踪。最后介绍了模型
训练目标检测模型需要标注数据。大量的标注数据。而手动绘制边界框，坦率地说，是一项令人痛苦的工作。打开一张图片。扫描寻找物体。小心翼翼地拖动一个矩形围住它。下一张图片。再下一张。成百上千次。这既乏味又缓慢，令人筋疲力尽，而且你不可避免地会遗漏东西。开放词汇模型——Grounding DINO、SAM3 及其同类——或许能拯救我们。输入"cat"它们就能找到猫。输入"traffic light"它们就
无人机航拍图像中的小目标检测一直是计算机视觉领域的难点问题。本文针对YOLOv5在无人机航拍场景下小目标检测精度低、漏检率高的问题，提出了一系列改进方案。通过在网络结构中增加小目标检测层、引入注意力机制CBAM、优化损失函数CIoU以及数据增强策略，显著提升了模型对小目标的检测能力。实验结果表明，改进后的算法在VisDrone数据集上的mAP@0.5达到了46.2%，相比原始YOLOv5提升了8.
在目标检测任务中，特征表达的质量直接影响检测精度。本文提出一种结合二阶注意力机制的YOLOv5改进方法，通过引入二阶统计信息对特征进行重校准，增强模型对重要特征的关注能力。实验结果表明，改进后的模型在多个数据集上取得了显著的性能提升。
在目标检测领域，YOLOv5作为经典算法框架，其内部激活函数的选择直接影响模型的特征表达能力与收敛效率。本文聚焦于YOLOv5中两种关键激活函数——ReLU与SiLU，从数学原理、梯度特性、计算复杂度等维度展开系统性对比。通过设计对照实验，在COCO、VOC、VisDrone等数据集上验证不同激活函数对YOLOv5检测精度、训练速度及鲁棒性的影响。实验结果表明，SiLU在深层网络中展现出更优的梯度
在深度学习模型部署中，YOLOv5作为实时目标检测的标杆模型，其计算复杂度与参数量仍然是边缘设备部署的主要瓶颈。本文提出一种基于泰勒展开的通道剪枝方法，通过一阶泰勒展开近似损失函数对特征图通道的重要性进行量化评估，实现对YOLOv5模型的高效结构化剪枝。相比传统的基于范数或基于BN缩放因子的剪枝方法，泰勒展开方法能够更直接地反映每个通道对最终损失函数的贡献程度，从而在保持精度的前提下实现更高的压缩
自动驾驶场景对目标检测算法的实时性要求极高，YOLOv5作为经典的单阶段检测器，在精度和速度之间取得了良好平衡。本文针对自动驾驶场景特点，提出了一套完整的YOLOv5实时性优化方案，包括数据增强策略、轻量化骨干网络设计、模型剪枝、量化感知训练以及TensorRT加速部署。实验结果表明，优化后的模型在BDD100K自动驾驶数据集上mAP@0.5达到72.6%，在NVIDIA Xavier AGX平台
YOLOv5作为经典的单阶段目标检测算法，在特征金字塔网络中采用最近邻插值进行上采样，该方法虽然计算高效但不可学习，限制了特征恢复的质量。本文提出使用可学习上采样方法（Carafe、DySample、IndexNet等）替代传统插值，通过引入空间感知的上采样核预测机制，显著提升了小目标和细节特征的检测能力。文章详细阐述了可学习上采样的数学原理、YOLOv5特征金字塔的结构适配方案，并提供了完整的代
目标检测中的模型轻量化是一个关键挑战。本文提出一种基于特征模仿（Feature Imitation）的YOLOv5中间层知识蒸馏方法，通过让学生模型学习教师模型的中间层特征表示，显著提升轻量级检测器的性能。我们将详细阐述蒸馏损失函数的设计、特征对齐策略、训练流程，并提供完整可运行的代码实现。同时，推荐多个适合蒸馏训练的数据集，并通过实验验证方法的有效性。
YOLOv5作为目标检测领域的主流算法，其核心组件CSP（Cross Stage Partial）结构在特征提取与梯度流优化方面展现出优异性能。本文针对原始CSP结构存在的特征冗余、计算效率瓶颈以及多尺度信息融合不充分等问题，提出了一种改进的跨阶段局部优化结构——CSPOpt。该改进方案通过引入动态特征重标定机制、优化梯度分流策略以及增强跨阶段特征交互能力，在保持模型轻量化的前提下显著提升了检测精
在目标检测任务中，YOLOv5凭借其出色的速度与精度平衡成为工业界和学术界的首选模型之一。然而，随着网络深度增加和批量大小受限，传统的批量归一化（Batch Normalization, BN）面临训练不稳定、小批量性能下降等问题。本文提出将批量重归一化（Batch Renormalization, BRN）引入YOLOv5架构，通过动态约束内部协变量偏移，显著提升模型在多种批量配置下的训练稳定性
汽车零部件缺陷检测系统基于YOLOv13轻量级模型实现工业级部署，在低功耗工控机上达到28FPS实时检测性能。系统采用分层架构设计，涵盖数据采集、模型推理、结果处理和产线联动全流程。通过工业级优化（剪枝+INT8量化）使模型参数量降至0.8M，在N5105工控机上实现98.7%检测精度和0.3%低漏检率。C#上位机集成ONNX Runtime引擎，支持Modbus TCP协议与PLC联动，为汽车制
基于卡尔曼滤波器的双雷达四目标分布式融合跟踪MATLAB仿真系统。该仿真通过TDOA/FDOA观测模型实现了多目标跟踪，主要创新点包括：1）采用雅可比矩阵处理非线性极坐标观测；2）结构体数组管理多目标状态；3）分布式架构下进行加权平均融合。系统初始化定义了目标运动参数和双雷达位置，通过卡尔曼滤波实现预测-更新循环，并支持可视化对比真实与估计轨迹。文章建议进一步扩展数据关联算法（如NNDA/PDA）
本报告基于YOLO26目标检测算法构建的手语字母识别系统，旨在通过计算机视觉技术实现26个英文字母（A-Z）的实时检测与识别。系统采用YOLO26架构，在包含720张标注图像的数据集上进行训练、验证和测试。实验结果表明，模型在宽松IoU标准下表现优异，mAP50达到1.00，F1-score高达0.99，召回率保持1.00直至高置信度阈值。训练过程中损失函数平稳下降，未见明显过拟合现象。本系统在宽
本系统基于YOLO26目标检测算法，构建了一个面向六类常见犬种的智能识别检测模型。研究涵盖Beagle、bullDog、corgi、goldenRetriever、husky和pomeranian六个犬种类别，总数据集规模为1257张标注图像，其中训练集880张、验证集251张、测试集126张。经过完整训练后，模型在验证集上取得了mAP50=0.895、mAP50-95=0.732的优异性能，精度
森林火灾是破坏生态环境、威胁人类生命财产安全的重大自然灾害之一。传统火灾监测手段存在响应慢、覆盖范围有限等问题。本系统基于YOLO26目标检测算法，构建了一套针对红外森林火灾烟雾识别检测系统。系统以红外图像为输入，可同时识别“火灾”（fire）和“烟雾”（smoke）两类目标。实验数据集包含2000张红外标注图像，其中训练集1600张、验证集200张、测试集200张。模型在烟雾类别上表现优异（mA
目标检测面临的核心挑战在于处理不同尺度目标。浅层特征分辨率高但语义弱，适合小目标定位；深层特征语义强但分辨率低，适合大目标识别。仅用单层特征会导致小目标丢失或大目标定位不准。多尺度特征融合通过结合浅层细节与深层语义，使模型能同时处理不同尺寸目标。这一原理为理解YOLO等检测器的多尺度设计奠定了基础，也是现代目标检测网络的关键设计思想。
摘要： 本文系统梳理了YOLO系列目标检测模型中IoU（交并比）指标的演进历程。从YOLOv1-v3仅使用传统IoU，到YOLOv4引入GIoU和DIoU，再到当前主流版本（v4-v8）默认采用CIoU Loss，通过增加中心点距离和宽高比惩罚项显著提升了检测精度。YOLOv6+/v8进一步引入DFL Loss建模边界框分布，结合Task-Aligned Assigner优化样本匹配。实验表明，C
在具身智能的感知系统中，语义分割已经从单纯的“图像分类工具”进化为连接视觉与行动的桥梁。过去：我们教机器人“看到红色的像素是路”。现在（2026）：我们教机器人“理解像素的语义”，并结合大模型（SAM/CLIP）实现零样本的通用感知。未来：语义分割将与世界模型更深度结合，不仅分割当前画面，还能预测物体在时间维度上的变化（例如：预测这扇门打开后的空间），为具身智能提供真正的4D时空理解能力。
本文解析了YOLOv3中的IoU计算及其改进方法。YOLOv3原始论文使用传统的轴对齐矩形框IoU，但其开源实现Darknet支持GIoU、DIoU和CIoU等改进版本。这些改进通过配置文件启用，分别解决了无重叠框优化、中心点距离和宽高比等问题，在mAP性能上均有提升。GIoU对小目标检测效果更好，DIoU优化了边界框回归效率，CIoU综合性能最佳。IoU在YOLOv3中主要用于标签分配、损失函数
TIDE（Tool for Identifying Detection Errors）是专门为目标检测任务设计的错误分析工具，由伯克利AI研究实验室开发。它就像一个"检测错误诊断医生"，能够系统性地分解模型预测结果中的各种错误类型，帮助我们理解模型到底错在哪里。传统评估指标如mAP（mean Average Precision）只能告诉我们模型的整体性能，但无法解释性能瓶颈的具体原因。TIDE则将
本文介绍了YOLOv8模型评估的全面方法，强调不能仅依赖mAP指标。完整的评估体系包含三个核心组件：定量指标（精确率、召回率、F1分数、mAP等）、定性分析（可视化工具和案例研究）以及错误诊断（分类错误模式和改进建议）。文章详细讲解了基础分类指标和目标检测专用指标mAP的计算方法，并提供了Python代码示例。评估前需做好数据准备、环境配置和基准模型选择等工作，通过多维度分析才能准确评估模型性能，
这一篇的重点不是模型结构，也不是代码，而是先把讲清楚。
工地安全监测是建筑施工管理中的重要环节，安全帽和防护衣的正确佩戴直接关系到工人的生命安全。本文基于YOLO26目标检测算法，构建了一个针对工地场景的安全装备识别检测系统，能够自动检测工人是否正确佩戴安全帽和防护衣。系统包含五个检测类别：helmet（安全帽）、no-helmet（未戴安全帽）、no-vest（未穿防护衣）、person（人员）、vest（防护衣）。实验采用1206张工地场景图像，划
香蕉成熟度识别在农业生产、采后处理及零售环节中具有重要意义。传统的人工识别方法主观性强、效率低下，难以满足大规模精准化管理的需求。本研究基于YOLO26目标检测算法，构建了一套香蕉成熟度智能识别检测系统，能够自动识别六类香蕉成熟状态：新鲜成熟（freshripe）、新鲜未熟（freshunripe）、过熟（overripe）、成熟（ripe）、腐烂（rotten）和未熟（unripe）。系统训练共
本研究基于YOLO26目标检测算法，针对铁轨轨道表面缺陷进行自动化识别与分类。实验采用包含四种常见轨道缺陷类型（Spalling、Wheel Burn、Squat、Corrugation）的数据集，其中训练集1916张图像，验证集和测试集各240张图像。通过训练YOLO模型，对各类缺陷的检测性能进行了系统评估。实验结果显示，模型在背景与缺陷的区分上表现良好，但在不同缺陷类别间的区分能力有待提升。总
文章摘要 船舶旋转目标检测数据集包含约2000张高分辨率图像，支持细粒度分类与旋转目标检测，适用于海上监控、军事侦察等场景。数据集覆盖16类船舶（如航空母舰、驱逐舰、医院船等），标注格式包含旋转角度信息。推荐使用YOLOv8-obb模型进行训练，该模型专为旋转目标设计，支持OBB任务。训练需配置CUDA环境，准备标注数据转换为(cx, cy, w, h, angle)格式，并定义YAML配置文件。
本文介绍了基于PyQt的YOLOv5+DeepSORT可视化界面系统，该系统具有目标跟踪、模型更换、结果保存和轨迹隐藏等功能。文章详细说明了训练YOLOv5模型检测车辆和行人的步骤，包括数据准备、YOLOv5配置、模型训练及与DeepSORT集成的代码实现。系统通过PyQt5构建GUI界面，支持视频目标检测与跟踪，可实时显示检测框和跟踪ID。代码示例展示了如何加载训练好的YOLOv5模型并与Dee
此项目是基于ultralytics的Yolo目标检测的系统软件设计，系统包含登录系统、目标检测、目标跟踪、图像分类、图像分割、姿态检测、数据存储，数据可视化等功能。输入可选择图像、视频和摄像头，可保存检测结果和标签。界面简洁美观，代码易于拓展，使用官方的ultralytics模型（YOLOv8和YOLOv11），支持自定义的ultralytics代码，可直接替换使用。本项目代码售价（299）
3D打印技术在制造业中广泛应用，但打印过程中出现的缺陷如拉丝（spaghetti）、表面疙瘩（zits）和细丝连接（stringing）等问题严重影响打印质量和效率。本文提出了一种基于YOLO26目标检测算法的3D打印缺陷自动检测系统。该系统使用包含4,696张训练图像、587张验证图像和587张测试图像的数据集，针对三类常见缺陷进行检测。实验结果表明，模型在mAP@0.5指标上达到0.959，其
本文介绍了一个基于YOLO26的目标检测系统，专门用于条形码检测。系统采用YOLO26架构，在包含301张训练图像和28张验证图像的数据集上进行训练，数据集仅包含一个类别（bar_code）。实验结果表明，模型在验证集上达到了0.998的精确率、1.000的召回率、0.995的mAP@0.5和0.827的mAP@0.5:0.95的优异性能。混淆矩阵分析显示模型实现了零误检和零漏检的完美检测结果。
本报告基于YOLO26目标检测框架，构建了数字的识别系统。系统共包含10个类别，训练集、验证集和测试集分别为966张、99张和50张图像。模型在验证集上取得了mAP50为0.993、mAP50-95为0.917的优异性能，精度和召回率分别达到0.993和0.982。混淆矩阵分析显示，模型对各类别数字的识别准确率接近100%，无明显类别混淆问题。训练过程中的损失函数持续下降，mAP指标稳定上升，表明
本文将以 YOLOv8 的目标检测应用开发为例，讲述如何在 1 小时以内快速上手 AI 应用的开发——训练。
本文结合工程实践，深入讲解UWB 自动跟随系统中TOF / TDOA / PDOA 三种算法以及 TOF 中“传播时间 Δt”是如何测得的，并给出应用比较，以帮助技术决策与产品规划。
MYD-LR3576拥有3路MIPI-CSI接口，通过3个MY-CAM004M分别接入3路MIPI-CSI，采用2+1+1方式搭载4路AHD高清摄像头，摄像头采集的画面输出为H.264编码的RTSP码流，1920*1080分辨率，30帧。例如智能安防，在公共场所，如机场、火车站、商场等，部署的安防监控系统，快速准确地识别出人群中的异常行为，如打架斗殴、奔跑逃窜等，并及时发出警报，同时，通过人脸识别
本文提出了一种基于YOLO目标检测和分类模型的手写两位数识别方法。通过将两位数分割为单个数字，分别进行分类识别，再根据数字位置关系和方向特征确定十位和个位组合。系统采用两阶段处理：先用YOLO检测数字区域，再对单个数字进行多方向分类（0-9及方向标记）。针对特殊情况（如0、1、8）设计了特殊处理逻辑，通过比较中心点坐标差值判断数字排列方向，最终输出两位数结果。该方法有效降低了百分类的复杂度，提高了
摘要：UWB技术凭借厘米级定位精度、毫秒级延迟和强抗干扰能力，成为自动跟随系统的理想选择。其核心技术包括TOF/TDOA/PDOA三种定位方式，通过标签-基站架构实现实时跟踪。系统常融合IMU、视觉等传感器，采用卡尔曼滤波等算法提升稳定性。目前已在PSICV随辅跟随车、Soffofel智能行李箱、辅助轮椅等场景成功应用，但面临大范围部署成本高、遮挡误差等挑战。未来将向低功耗、多传感融合方向发展，与
《陌讯跨位停车识别技术解析》摘要：针对路侧跨位停车识别误报率高（一线城市35%+）的行业痛点，陌讯视觉提出多模态融合三阶架构，通过环境感知增强、动态特征融合和时序置信决策，在RK3588硬件上实现mAP@0.5达0.90、延迟24ms、误报率6.2%的突破性表现。核心创新包括：自适应光照补偿算法（亮度熵E<4.5触发）、视觉-时序特征动态加权（α=σ(2E-4.5+0.3O-0.2)）、五帧
火源检测数据集-9,128张图片 火源识别 智能安防 工业安全 实时监控 边缘计算 消防安全 多模态融合
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
AtomGit开源社区
AI硬件创业社区
魔珐星云开发社区
