计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。传统背景减法、运动分析、甚至主流 YOLO 系列模型，在恶劣天气下性能大幅跳水，既不抗干扰，也抓不住细节，无法满足实时安防与交通管控需求。的检测框架，把 “看不清、测不准、漏检多” 变成 “全天候、高精度、低误报”，为智慧城市交通与公共安全，筑起一道可靠的。，专门攻克雨、雾、雪、沙尘

无论是车辆碰撞、翻车等严重事故，还是轻微追尾、异常停车等突发情况，设备都能精准识别，通过多帧信息交叉验证排除误报，确保事故判定准确率超99%。为应对高速复杂环境挑战，解决方案采用边缘计算架构，无需依赖云端传输，在设备端即可完成数据采集、AI推理与指令执行，规避了网络延迟带来的响应滞后问题。芒果智能科技深耕AI巡检领域，打造高速场景专属智能巡检解决方案，靠“AI精准检测+秒级报警+空中喊话”三重能力

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测。的 GameFlow 框架，用纯视觉方案把这些问题全部攻克，非侵入、低成本、实时可用。未来，这项技术会让苏超的战术分析更高效、球员训练更科学、观赛体验更沉浸，足球竞技将进入

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院主要着重”技术研究“和“实践落地”。DAF-YOLO：mAP@0.5=93.8%，mAP@0.5:0.95=60.5%，精确率 92.4%，召回率 89.6%；监控摄像头多部署于塔吊、立杆等高机位，作业人员与安全帽在图像中占比极低，常规模型特征提取不足，漏检率居高不下。DAF‑

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。本质出发，用解耦 + 对比学习重新定义足球目标检测，尤其解决了 “同队难分、足球难找、密集框错” 三大行业顽疾。SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测。未来研究将继续优化轻量化、跨域泛化、时序建模，让 AI 更适

研究院主要着重”技术研究“和“实践落地”。FogGate-YOLO 的训练过程指标可视化结果显示，其边界框损失、分类损失、分布焦点损失均能快速收敛，验证集的 Precision、Recall、mAP50 指标稳定提升，无明显过拟合现象，证明模型的训练稳定性和泛化能力，训练指标变化如图 6 所示。作为 C2fGated 的核心组件，ECA 模块摒弃了传统通道注意力的降维操作，通过 1D 卷积捕捉通道

1梳理了Ultralytics家族的演进路径：YOLOv5（2020）、YOLOv8（2023）、YOLO11（2024）和YOLO26（2025），重点突出设计选择、功能特性和单一供应商生态中的部署特点。相比之下，表2则梳理了独立于Ultralytics的主要社区版本，包括YOLOv1（2015）、YOLOv2（2016）、YOLOv3（2018）、YOLOv4（2020）、YOLOv6（202

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。它做到了：只用 RGB 相机、超实时帧率、超高精度、超轻量部署，是目前农业果梗分割最落地的方案。超实时，适配高速分拣线✅ 苹果 + 果梗双分割，直接驱动去梗机构✅ 模型轻量，可部署 Jetson 等嵌入式设备✅ 数据集开源，可快速迁移到梨、柑橘、桃等。SSMA-YOLO：一种轻量级的

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测。，基于 YOLOv8 融合人类视觉系统（HVS）特性，在复杂遮挡、低信噪比下实现高精度、轻量化实时检测

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。羊只个体精准识别是智慧畜牧核心环节，传统耳标、RFID、烙印等方式存在易丢失、高成本、易损伤、难规模化等缺陷。基于面部生物特征的识别具备非接触、高唯一性、低成本优势，是规模化养殖的优选技术路径。SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人