利用Roboflow平台对数据进行有效的管理和标注。对于植物检测，使用实时目标检测能力强的YOLO方法。YOLO通过将输入图像划分为网格并预测每个网格单元的边界框和类别
2023-12-12 09:41
YOLO是什么？ 它是One-stage目标检测的代表，整个框架非常简单。与RCNN算法不一样，是以不同方式处理对象检测。 YOLO算法的最大优点就是速度极快，每秒可处
2021-06-10 15:45
在车载边缘计算单元中，由于其硬件设备的资源受限，开发适用于车载边缘计算的轻量级、高效的交通标识检测模型变得越来越迫切。文中提出了一种基于 Tiny YOLO改进的轻量级交通标识检测模型，称为
2021-04-19 15:01
本文中将简单总结YOLO的发展历史，YOLO是计算机视觉领域中著名的模型之一，与其他的分类方法，例如R-CNN不同，R-CNN将检测结果分为两部分求解：物体类别（分类问题），物体位置即
2022-10-27 17:45
labview调用yolo目标检测、分割、分类、obb、pose深度学习，支持CPU和GPU推理，32/64位labview均可使用。 （yolov5~yolov12）
2025-03-31 16:28
通过模型下载器下载了 yolo-v3-tf： ./downloader.py --name yolo-v3-tf 通过模型 优化器转换模型： python3 ./model_optimizer
2025-03-06 06:31
YOLO 流程的最后一步是将边界框预测与类别概率相结合，以提供完整的检测输出。每个边界框的置信度分数由类别概率调整，确保检测既反映边界框的准确性，又反映模型对对象类别的置信度。
2024-03-30 14:43
在训练的过程中，当网络遇到一个来自检测数据集的图片与标记信息，那么就把这些数据用完整的 YOLO v2 loss 功能反向传播这个图片。当网络遇到一个来自分类数据集的图片和分类标记信息，只用整个结构中分类部分的 loss 功能反向传播这个图片。
2018-06-05 09:12
目前，基于深度学习算法的一系列目标检测算法大致可以分为两大流派： 两步走（two-stage）算法：先产生候选区域然后再进行CNN分类(RCNN系列) 一步走（one-stage）算法：直接对输入
2020-11-27 10:15
