YOLO 因为性能强大、消耗算力较少，一直以来都是实时目标检测领域的主要范式。该框架被广泛用于各种实际应用，包括自动驾驶、监控和物流。其高效、准确的物体检测能力使其成为实时识别行人和车辆等任务的理想选择；在物流方面，它有助于库存管理和包裹跟踪，通过 AI 能力帮助人们在很多工作上提高了效率。R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）：首次引入了区域建议网络（Reg

移动端设备也需要既准确又快的小模型。为了满足这些需求，一些**轻量级的CNN网络如MobileNet和ShuffleNet被提出**，它们在速度和准确度之间做了很好地平衡。本文主要轻量化YOLOv5网络，即引入ShuffleNetv2，它是旷视2018年提出的ShuffleNet升级版本，并被ECCV2018收录。在同等复杂度下，ShuffleNetv2比ShuffleNet和MobileNetv

YOLOv5改进策略：Focaler-IoU损失函数改进

移动端设备也需要既准确又快的小模型。为了满足这些需求，一些轻量级的CNN网络如MobileNet和ShuffleNet被提出，它们在速度和准确度之间做了很好地平衡。ShuffleNetv2是旷视2018年提出的ShuffleNet升级版本，并被ECCV2018收录。

DeepSort行人车辆识别系统（实现目标检测+跟踪+统计）

目前yolov5使用的是NMS进行极大值抑制，本篇文章是要将各类NMS添加到yolov5中，同时可以使用不同的IOU进行预测框处理。NMS概念NMS(Non-maximum suppression)是非极大值抑制， 目的是过滤掉重复的框。为了保证检测的准确性， 检测网络的输出框一般都比较密集， 对一个物体， 会有多个预测框，NMS就是为了过滤掉这些重复的框， 保留质量最好的那一个框。

如果没有自己的服务器，如何实现接口去获取图片呢？我们可以使用。

如果使用内网穿透，会给你一个公网ip映射到本地ip，这样别人就可以通过互联网访问你的服务了。如果不使用内网穿透，只能局域网内Ip(本地Ip)才能访问你的服务。

YOLOv8；ShuffleNetV2

炫酷GitHub个性页面