【导读】目标检测是计算机视觉的重要组成部分，其目的是实现图像中目标的检测。YOLO是基于深度学习方法的端到端实时目标检测系统(YOLO:实时快速目标检测)。YOLO的升级版有两种:YOLOv2和YOL
计算机视觉领域中，目标检测一直是工业应用上比较热门且成熟的应用领域，比如人脸识别、行人检测等，国内的旷视科技、商汤科技等公司在该领域占据行业领先地位。相对于图像分类任务而言，目标检测会更加复杂一些，不仅需要知道这是哪一类图像，而且要知道图像中所包含的内容有什么及其在图像中的位置，因此，其工业应用比较广泛。那么，今天将向读者介绍该领域中表现优异的一种算算法——“你只需要看一次”（you only look once，yolo），提出该算法的作者风趣幽默可爱，其个人主页及论文风格显示了其性情，目前该算法已是第三个版本，简称YoLo V3。闲话少叙，下面进入教程的主要内容。 在本教程中，将学习如何使用YOLO、OpenCV和Python检测图像和视频流中的对象。主要内容有：
大多数3D重建方法可能仅恢复高达全局尺度模糊度的场景属性。我们提出了一种新的单视图度量方法，该方法可以仅使用在无约束条件下获取的单眼图像来恢复由物体的3D高度或地面以上的相机高度以及相机的方向和视野参数表示的场景的绝对比例。
您只需看一次（YOLO）是快速、准确的单阶段目标检测器。最近发布的YOLO v4与其他目标检测器相比，显示出非常好的结果。
🔍 在2023年，YOLO（You Only Look Once）技术在计算机视觉领域成为炙手可热的明星。从实时处理速度到准确率的大幅提升，YOLO在众多领域展现了其非凡的实力。本文将深入探讨YOLO的原理，实现方式，以及它如何在众多竞争技术中脱颖而出。无论你是AI初学者还是领域大佬，都能从这篇文章中获得有价值的洞见。关键词：计算机视觉，实时检测，YOLO算法，深度学习，AI技术，模型优化。
在有雾的情况下，能见度下降，造成许多问题。由于大雾天气，能见度降低会增加交通事故的风险。在这种情况下，对附近目标的检测和识别以及对碰撞距离的预测是非常重要的。有必要在有雾的情况下设计一个目标检测机制。针对这一问题，本文提出了一种VESY(Visibility Enhancement Saliency YOLO)传感器，该传感器将雾天图像帧的显著性映射与目标检测算法YOLO (You Only Look Once)的输出融合在一起。利用立体相机中的图像传感器对图像进行检测，利用雾传感器激活图像传感器，生成深度图来计算碰撞距离。采用去雾算法对基于区域协方差矩阵的显著性图像帧进行质量改进。在改进后的图像上实现了YOLO算法。提出的融合算法给出了Saliency Map和YOLO算法检测到的目标并集的边界框，为实时应用提供了一种可行的解决方案。
AI数钢筋 在社会智能化的发展趋势之下，越来越多的传统行业开始向着数字化的方向转型，而建筑行业也正经历着通过人工智能技术实现的改革。 钢筋是建筑业的重要材料，庞大的数量、工地现场环境复杂以及人工点验错漏等现实因素为钢筋点验工作制造了难度，那么如何才能快速且准确地完成对于整个建筑施工过程极为重要的钢筋点验工作环节呢？今天就带大家了解一下“AI数钢筋”——通过人工智能技术实现钢筋数量统计。 1 问题背景 钢筋数量统计是钢材生产、销售过程及建筑施工过程中的重要环节。目前，工地现场是采用人工计数的方式对进场的
论文地址：https://arxiv.org/pdf/2303.01047.pdf
机器视觉领域的核心问题之一就是目标检测（object detection），它的任务是找出图像当中所有感兴趣的目标（物体），确定其位置和大小。对于人类来说，目标检测是一个非常简单的任务。然而，计算机能够“看到”的是图像被编码之后的数字，很难解图像或是视频帧中出现了人或是物体这样的高层语义概念，也就更加难以定位目标出现在图像中哪个区域。
本文梳理了目标检测领域2013年至2019年的12篇必读论文，为希望学习相关知识的新手提供了很好的入门路径。同时，作者还提供了一个附加论文列表。作为拓展阅读的内容，它们或为目标检测提供了新的视角，或用更强大的功能扩展了这个领域。
在3D医学影像中进行物体定位的标准方法是使用分割模型对感兴趣的目标进行 Voxel 到 Voxel 的标注。虽然这种方法使模型具有很高的准确性，但也存在一些缺点。为医学影像生成 Voxel 级准确的标注是一个耗时的过程，通常需要多个专家来验证标签的质量。由于标注者之间的变异性，器官或病变的医学术准确的分割可能会出现结构边界不确定的问题，这可能会导致附近组织中包含无关信息或排除相关信息。即使有高质量的标签，分割模型在准确标记目标结构边界时可能会遇到困难，通常需要后处理来填充缺失的内部体积并消除伪预测目标。总之，这使得分割模型的训练成本过高，同时可能会限制下游诊断或分类模型的预测能力。
卷积神经网络（四） ——目标检测与YOLO算法 （原创内容，转载请注明来源，谢谢） 一、概述 目标检测，主要目的是在图片中，分类确认是否有需要的物体，如果有则标出对应的物体。 二、目标定位 目标定位（
目标检测领域发展至今已有二十余载，从早期的传统方法到如今的深度学习方法，精度越来越高的同时速度也越来越快，这得益于深度学习等相关技术的不断发展。本文将对目标检测领域的发展做一个系统性的介绍，旨在为读者构建一个完整的知识体系架构，同时了解目标检测相关的技术栈及其未来的发展趋势。由于编者水平有限，本文若有不当之处还请指出与纠正，欢迎大家评论交流！
自从2018年8月CornerNet开始，Anchor-Free的目标检测模型层出不穷，最近达到了井喷的状态，宣告着目标检测迈入了Anchor-Free时代。
目标检测系列： 目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作 目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享 目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练 目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式 目标检测(object detection)系列（六） SSD：兼顾效率和准确性 目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强 目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言 目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度 目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作 目标检测(object detection)系列（十二） CornerNet：anchor free的开端 目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四） FCOS：用图像分割处理目标检测 目标检测扩展系列： 目标检测(object detection)扩展系列（一） Selective Search：选择性搜索算法 目标检测(object detection)扩展系列（二） OHEM：在线难例挖掘 目标检测(object detection)扩展系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在损失函数上的区别
我们提出YOLO，一种新的目标检测方法。以前的目标检测是用分类的方式来检测，而我们将目标检测定义成回归问题，从空间上分隔出边界框和相关的类别概率。这是一个简洁的神经网络，看一次全图后，就能直接从全图预测目标的边界框和类别概率。因为整个检测线是一个单一的网络，在检测效果上，可以直接做端到端的优化。我们的统一架构非常快。我们的基础YOLO模型每秒可以处理45帧图片。该网络的一个更小的版本——Fast YOLO，每秒可以处理155帧图片，其mAP依然能达到其他实时检测模型的2倍。对比最先进的检测系统，YOLO有更多的定位误差，和更少的背景误检情况(把背景预测成目标)。最终，YOLO学到检测目标的非常通用的表示。在从自然图片到其他领域，比如艺术画方面，YOLO的泛化能力胜过其他检测方法，包括DPM和R-CNN。
【导读】近日，CV-Tricks.com发布一篇文章，总结了近年来目标检测的各种方法。目标检测可谓是近年来计算机视觉领域热门的研究领域，也具有广阔的应用前景，如自动驾驶等。本文首先系统解释了图像分类和
从目标跟踪的应用场景，底层模型，组件，类型和具体算法几个方面对目标跟踪做了全方面的介绍，非常好的入门文章。
本文介绍了一种用于目标检测的YOLO算法，它是一种端到端的深度学习模型，可以在图像中快速定位和识别目标。YOLO将目标检测任务简化为边界框的回归问题，并使用单个卷积神经网络来预测目标的类别和边界框。与传统的检测算法相比，YOLO具有更高的速度和效率，并且可以处理更复杂的场景和更多的目标。
来源：DeepHub IMBA 本文约3400字，建议阅读6分钟 本文为你简单总结YOLO的发展历史。 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bounding box（回归问题）不同，YOLO将任务统一为一个回归问题。也就是相对于R-CNN系列的"看两眼"(候选框提取与分类)，YOLO只需要 You Only Look Once。 目标检测 我们人类只需要看一眼
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bounding box（回归问题）不同，YOLO将任务统一为一个回归问题。也就是相对于R-CNN系列的"看两眼"(候选框提取与分类),YOLO只需要 You Only Look Once。
计算机视觉是一门研究如何对数字图像或视频进行高层语义理解的交叉学科，它赋予机器“看”的智能，需要实现人的大脑中（主要是视觉皮层区）的视觉能力。
对于一张图片，R-CNN基于selective search方法大约生成2000个候选区域，然后每个候选区域被resize成固定大小（227×227）并送入一个CNN模型中，使用AlexNet来提取图像特征，最后得到一个4096维的特征向量。然后这个特征向量被送入一个多类别SVM分类器中，预测出候选区域中所含物体的属于每个类的概率值。每个类别训练一个SVM分类器，从特征向量中推断其属于该类别的概率大小。为了提升定位准确性，R-CNN最后又训练了一个边界框回归模型。训练样本为(P,G)，其中P=(Px,Py,Pw,Ph)为候选区域，而G=(Gx,Gy,Gw,Gh)为真实框的位置和大小。G的选择是与P的IoU最大的真实框，回归器的目标值定义为：
目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。
YOLO，全称为You Only Look Once: Unified, Real-Time Object Detection，是一种实时目标检测算法。目标检测是计算机视觉领域的一个重要任务，它不仅需要识别图像中的物体类别，还需要确定它们的位置。与分类任务只关注对象是什么不同，目标检测需要同时处理离散的类别数据和连续的位置数据。YOLO算法基于深度学习的回归方法，它将目标检测问题转化为一个回归问题，使用单个卷积神经网络（CNN）直接从输入图像预测边界框（bounding box）和类别概率。这种方法避免了传统目标检测算法中复杂的多阶段处理流程，如区域提议、特征提取等。
自从世界了解人工智能以来，有一个特别的用例已经被讨论了很多。它们是自动驾驶汽车。我们经常在科幻电影中听到、读到甚至看到这些。有人说，我们将在2010年拥有自动驾驶汽车，有人说到2020年，但我们在2021年就实现了，我们刚刚能够解决自动驾驶汽车给世界带来的变化的一角。自动驾驶汽车的一个基本特性，对象检测。
http://www.mamicode.com/info-detail-2314392.html
以监控摄像头数据集的人体检测模型为例，说明了如何通过对数据的理解来逐步提升模型的效果，不对模型做任何改动，将mAP从0.46提升到了0.79。
目标检测支持许多视觉任务，如实例分割、姿态估计、跟踪和动作识别，这些计算机视觉任务在监控、自动驾驶和视觉答疑等领域有着广泛的应用。随着这种广泛的实际应用，目标检测自然成为一个活跃的研究领域。
本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在 这里 查看。更多资料获取方式见文末。
选自 Medium 作者：Jonathan Hui 机器之心编译 目标检测是很多计算机视觉任务的基础，不论我们需要实现图像与文字的交互还是需要识别精细类别，它都提供了可靠的信息。本文对目标检测进行了整体回顾，第一部分从RCNN开始介绍基于候选区域的目标检测器，包括Fast R-CNN、Faster R-CNN 和 FPN等。第二部分则重点讨论了包括YOLO、SSD和RetinaNet等在内的单次检测器，它们都是目前最为优秀的方法。 机器之心之前已经讨论过非常多的目标检测算法，对计算机视觉感兴趣的读者也可以结
之前已经讨论过非常多的目标检测算法，对计算机视觉感兴趣的读者也可以结合以前的文章加强理解。
作者：叶 虎 编辑：祝鑫泉 前言 1 当我们谈起计算机视觉时，首先想到的就是图像分类，没错，图像分类是计算机视觉最基本的任务之一，但是在图像分类的基础上，还有更复杂和有意思的任务，如目标检测，物体定位，图像分割等，见图1所示。其中目标检测是一件比较实际的且具有挑战性的计算机视觉任务，其可以看成图像分类与定位的结合，给定一张图片，目标检测系统要能够识别出图片的目标并给出其位置，由于图片中目标数是不定的，且要给出目标的精确位置，目标检测相比分类任务更复杂。目标检测的一个实际应用场景就是无人驾驶，如果能够在
选自arXiv 作者：Pengyuan Lyu等 机器之心编译 参与：Nurhachu Null、李泽南 在计算机视觉的应用场景里，对图像中的文本进行准确识别是重要而相对困难的任务。来自华中科技大学的研究者们近日提出了一种全新的多项文本检测方法，大幅提高了机器学习的识别准确度。该研究已被即将于 6 月 18 日在美国盐湖城举行的 CVPR 2018 大会接收。 简介 最近，由于现实世界应用（如产品搜索 [4]，图像检索 [19]，以及自动驾驶）需求的增长，从自然场景图像中提取文本信息的研究正变得越来越流行
在深度学习方法主导目标检测之前，滑动窗口和特征提取技术在这一领域中发挥了关键作用。通过理解这些技术的基本原理和实现方式，我们可以更好地把握目标检测技术的演进脉络。
这篇综述是我统计信号处理的作业，在这里分享一下，将介绍计算机视觉中的目标检测任务，论述自深度学习以来目标检测的常见方法，着重讲yolo算法，并且将yolo算法与其他的one-stage以及two-stage方法进行比较。
作者认为人可以一眼看到目标在哪，并且能立即知道是什么，并且对于很多实际场景而言，如自动驾驶，实时性和准确性都是非常重要的。
近五十年来，基于卷积神经网络的目标检测方法得到了广泛的研究，并成功地应用于许多计算机视觉应用中。然而，由于能见度低，在恶劣天气条件下检测物体仍然是一项重大挑战。在本文中，我们通过引入一种新型的双子网(DSNet)来解决雾环境下的目标检测问题。该双子网可以端到端训练并共同学习三个任务：能见度增强、目标分类和目标定位。通过包含检测子网和恢复子网两个子网，DSNet的性能得到了完全的提高。我们采用RetinaNet作为骨干网络(也称为检测子网)，负责学习分类和定位目标。恢复子网通过与检测子网共享特征提取层，采用特征恢复模块增强可见性来设计。实验结果表明我们的DSNet在合成的有雾数据集上达到了50.84%的mAP，在公开的有雾自然图像数据集上达到了41.91%的精度。性能优于许多最先进的目标检测器和除雾和检测方法之间的组合模型，同时保持高速。
在这篇文章中，我将概述用于基于卷积神经网络（CNN）的目标检测的深度学习技术。目标检测是很有价值的，可用于理解图像内容、描述图像中的事物以及确定目标在图像中的位置。
今天，我们将研究如何在OpenCV框架中使用YOLO。YOLO于2016年问世，用于多目标检测，它与OpenCV框架兼容，但我们需要下载“ yolov3.weights”和“yolov3.cfg”。
目标检测是深度学习中应用比较多的领域。近年来，人们开发了许多用于对象检测的算法，其中包括YOLO，SSD，Mask RCNN和RetinaNet。
YOLO再一次突破，新变体YOLO-World在目标检测领域的表现非常的出色。开集检测速度提升20倍！
faster-RCNN在目标检测精度上已经能够达到一个很高的水准，但是作为RCNN系列的最巅峰，它提出了RPN网络产生推荐性区域，但是它依旧有着一些缺点，这些区域里面有大面积是重合的，影响了计算效率。为了更好地提升目标检测的计算效率，从DPM检测中获得了相关的灵感，于是yolo网络应运而生，现在yolo网络已经有了很多的版本，yolo v1、yolo v2、yolo v3、fast yolo 等系列算法，本文针对最原始的yolo v1算法。
近年来，自动驾驶汽车不断走进我们的视野中，面向自动驾驶的目标检测算法也成为了国内外的研究热点之一。安全可靠的自动驾驶汽车依赖于对周围环境的准确感知，以便及时做出正确的决策。目标检测是自动驾驶系统的关键任务之一，其主要的功能是检测前方道路上出现的目标的空间位置和目标类别。
这篇是看完吴恩达老师的 deeplearning.ai 课程里目标检测课程的学习笔记，文章的图片主要来自课程。
近几年，在深入学习的帮助下, 目标检测领域取得了巨大的进步。对象检测是标识图像中的对象并在其周围绘制边界框的任务, 也就是定位它们。在计算机视觉由于其众多的应用从自动驾驶汽车到安全和跟踪是一个非常重要的问题。 以前的对象检测方法通常是让管道按序分段。这会导致每一段完成的任务和最终目标之间的脱节, 最终的目标是在一个图像的对象周围绘制一个紧密的边界框。一个充分利用在联合的方式中侦测错误的终端框架将是一个更好的解决方案，不仅是为了更好地训练模型, 还要提高检测速度。 这就需要YOLO发挥作用。Varun Agr
YOLO系列的核心思想就是把目标检测转变为一个回归问题，利用整张图片作为网络的输入，通过神经网络，得到边界框的位置及其所属的类别。
领取专属 10元无门槛券
手把手带您无忧上云
