登录社区云，与社区用户共同成长
邀请您加入社区
光电探测与制导技术正迎来革命性突破。量子技术将测量精度提升至物理极限，实现自主导航；脑科学启发的新型芯片可高效处理复杂战场信息；非直视成像和量子成像技术突破传统感知边界；太赫兹波技术填补频谱空白。未来趋势呈现多维度发展：追求全频谱"全知"感知、AI智能决策、自适应抗干扰、分布式组网等能力，实现"绝对感知"与"必然命中"的终极目标。末端制导
本文介绍了YOLOv10目标检测训练所需的数据集目录结构规范。数据集应采用分层目录，包含train/valid/test三个子集，每个子集下分别存放images和labels文件夹，图片与标签文件需同名对应。标签文件采用YOLO标准格式，记录类别ID和归一化坐标。核心配置文件data.yaml需指定数据集路径、类别数量和名称。训练时可选择不同规格的预训练模型（n/s/m/b/l/x），通过调整ep
摘要 本文提出了一种基于交互多模型（IMM）与粒子滤波（PF）融合的三维目标跟踪算法。该方法通过建立匀速运动（CV）和匀速转弯（CT）两种运动模型，利用IMM机制实现模型自适应切换，并结合粒子滤波处理非线性状态估计。仿真实验设置目标在600步内经历三种运动模式切换，通过10次蒙特卡洛仿真验证算法性能。结果表明，IMM-PF融合方法相比单一模型跟踪精度显著提升，位置RMSE误差降低约20-30%，且
你可以在yolo中这样使用。
随着人工智能和计算机视觉技术的快速发展，人体姿态识别在安防监控、智能健身、医疗康复等领域的重要性日益凸显。准确识别人体的动作状态，不仅能够辅助智能系统做出响应，还能在安全监控和健康管理中发挥关键作用。
本文介绍了一个用于辣椒成熟度检测的YOLO/VOC格式数据集。该数据集包含407张清晰图片，对应407个XML和TXT标注文件。标注包含3类辣椒成熟度状态：未成熟(477个标注)、成熟(800个标注)和腐烂(24个标注)，总标注框数达1301个。数据集采用矩形框标注，未进行图像增强处理。特别说明该数据集仅保证标注准确性，不承诺模型训练效果。格式包含VOC和YOLO两种标准格式，适用于目标检测任务。
添加图片注释，不超过 140 字（可选）//**14类检测目标：'Arborescent'：树状的'Caespitose-a'：丛生的-a'Caespitose-b'：丛生的-b'Columnar'：柱状的'Corymbose'：伞房状的'Digitate'：指状的'Encrusting'：附生的'Foliose'：叶状的'Massive-Faviidae'：巨型的-海葵科'Massive-Mer
本文介绍了YOLO与SAM模型的融合应用，通过YOLO实现高效目标检测，再借助SAM进行精准图像分割。文章详细阐述了二者的协同优势：YOLO快速定位目标区域，SAM基于检测框提示完成像素级分割，形成"检测+分割"的完整流程。同时提供了从环境配置到核心代码实现的完整指南，包括模型加载、检测框转换、分割执行及结果可视化等关键步骤。该方案适用于工业质检、自动驾驶等多个场景，兼顾效率与
目标检测是计算机视觉的核心任务，需同时完成物体识别和位置定位，广泛应用于自动驾驶、安防监控等领域。面临物体种类繁多、尺度差异大和环境干扰三大挑战。主流数据集包括VOC和COCO，采用不同标注格式（YOLO/VOC/COCO）。评估指标以IoU、AP/mAP为核心，衡量检测精度和召回率。算法经历了从传统滑动窗口到深度学习的演进，分为两阶段（如Faster R-CNN）和单阶段（如YOLO）方法，并发
深度学习匹配的本质：给目标提取“外观指纹”，靠指纹相似度做关联，而非仅靠位置/重叠；核心价值：解决传统关联方法“认位置不认长相”的痛点，大幅提升复杂场景下的追踪稳定性；落地关键：ReID 特征提取 + 余弦相似度 + 匈牙利算法（DeepSORT 是最经典的落地范式）；工程权衡：需在“准确率”和“实时性”之间平衡（比如轻量模型 + 硬件加速）。
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
九章云极普惠算力
