开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

YOLO可以检测多少(类)对象？

YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，它可以实现实时的对象检测。YOLO可以检测几乎所有常见的物体类别，包括但不限于人、车辆、动物、家具、电子设备、食品、植物等。它在目标检测任务中具有以下优势：

实时性能：YOLO采用单次前向传播的方式进行目标检测，因此速度非常快，可以达到实时处理的要求。
准确性：YOLO通过将图像划分为网格，并在每个网格中预测边界框和类别概率，从而实现对多个目标的同时检测。这种方法可以提高目标检测的准确性。
多尺度检测：YOLO在不同尺度下进行目标检测，可以检测到不同大小的目标。
强大的泛化能力：YOLO在大规模数据集上进行训练，可以泛化到各种场景和物体类别。
简单易用：YOLO的算法结构相对简单，易于理解和实现。

在腾讯云上，可以使用腾讯云的AI开放平台（https://cloud.tencent.com/product/ai）来实现YOLO目标检测。腾讯云的AI开放平台提供了丰富的人工智能服务和工具，包括图像识别、语音识别、自然语言处理等，可以满足各种场景下的需求。

相关搜索:Java还可以检测来自MouseListener类的点击 LUA meta表可以帮助检测nilling对象吗？SSD (单发检测)或Yolo实施，支持swift中的对象跟踪 Tensorflow对象检测API :当检测到特定类时，将GPIO引脚调高 Tensorflow对象检测API Num类 Tensorflow对象检测API:打印检测到的类作为输出 Tensorflow对象检测，掩码类numpy数组？windows中的YOLO对象检测 Yolo V4检测两次到一个对象为什么我在python中检测YOLO摄像头对象时出现这个错误？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

10分钟学会使用YOLO及Opencv实现目标检测（上）|附源码

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：

06

用不到 30 行 Python 代码实现 YOLO

"You Only Look Once"是一个实时对象检测算法，它避免了在生成区域建议上花费太多的时间。它不能完美地定位物体，而是优先考虑速度和识别。

02

手把手教你使用PyTorch从零实现YOLOv3（1）

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。

01

使用 YOLO 进行目标检测

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。

03

使用 YOLO 进行对象检测：保姆级动手教程

Object Detection with YOLO: Hands-on Tutorial - neptune.ai

01

目标检测YOLO系列算法的进化史

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

02

目标检测YOLO系列算法的进化史

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。

01

PP-YOLO何许模型？竟然超越了YOLOv4

PP-YOLO评估指标显示出比现有的最新对象检测模型YOLOv4更高的性能。但是，提出者百度却谦虚的声明：

01

占道经营流动商贩识别检测系统

占道经营流动商贩识别检测系统基于OpenCv+Yolo网络模型架构，对占道经营行为进行实时监测分析。当识别到流动商贩占道经营时，占道经营流动商贩识别检测OpenCv+Yolo网络模型立即抓拍并提示相关人员妥善处理。占道经营流动商贩识别检测提高城市道路的监管效率，产生强大的威慑作用，提升效率。

04

裸露土堆智能识别检测系统

裸露土堆智能识别检测系统基于python+yolo计算机视觉深度学习技术，裸露土堆智能识别检测系统对现场画面中土堆裸露情况进行实时分析检测，若发现画面中的土堆有超过40%部分裸露，则判定为裸露进行抓拍预警。我们选择当下YOLO最新的卷积神经网络YOLOv5来进行裸露土堆识别检测。6月9日，Ultralytics公司开源了YOLOv5，离上一次YOLOv4发布不到50天。而且这一次的YOLOv5是完全基于PyTorch实现的！在我们还对YOLOv4的各种高端操作、丰富的实验对比惊叹不已时，YOLOv5又带来了更强实时目标检测技术。按照官方给出的数目，现版本的YOLOv5每个图像的推理时间最快0.007秒，即每秒140帧（FPS），但YOLOv5的权重文件大小只有YOLOv4的1/9。

03

占道经营游摊小贩识别检测系统

占道经营游摊小贩识别检测系统通过Python+OpenCv深度学习模型技术，对现场画面中占道经营游摊小贩识别检测，当占道经营游摊小贩识别检测系统监测到流动商贩占道经营时，立即抓拍存档告警回传后台人员及时处理，同时将告警截图推送给相关人员。。YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好，所以在工业界也十分受欢迎，接下来我们介绍YOLO 系列算法。

04

渣土车识别检测系统

渣土车识别检测系统通过yolo网络架构对现场渣土车进行实时分析检测，一旦渣土车识别检测系统发现渣土车立即抓拍预警，提醒后台人员及时处理。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。要理解YOLO，我们首先要分别理解这两个模型。

03

AI城管占道经营监测识别系统

AI城管占道经营识别检测算法通过yolo+python深度学习训练框架模型，AI城管占道经营监测识别系统对道路街区小摊贩占道经营违规摆摊行为进行检测，检测有出店经营占道经营违规摆摊情况，yolo+python深度学习训练框架模型会立即抓拍存档。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。

00

跑冒滴漏监测系统

跑冒滴漏监测系统应用OpenCv+yolo计算机视觉深度学习技术对危化品生产区域实时检测，当跑冒滴漏监测系统检测到液体泄露时，立即抓拍存档告警并回传给后台监控平台方便人员及时处理，提高图像数据的实时监控效率,，避免意外事故发生，同时降低人力巡检的劳动强度，保证人员安全降低运营成本。

02

煤矿风险监测预警系统

煤矿风险监测预警系统基于YOLO网络模型视觉分析，煤矿风险监测预警系统7*24小时不间断自动识别现场人员作业行为、着装合规情况以及传送皮带撕裂跑偏等风险异常情况。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。要理解YOLO，我们首先要分别理解这两个模型。

03

YOLO v2

相对于YOLOv1，改进后的v2版使用一种新的、多尺度的训练方法，相同的YOLOv2模型可以在不同的尺寸运行，在速度和准确性之间达到简单的折中。这个模型由于可以对9000类目标进行分类，因此称为YOLO9000，但是依然能实时的运行。文章的最后提出了一种联合训练目标检测与分类的方法。这种方法同时在COCO检测数据集和ImageNet分类数据集同时训练YOLO9000。这种联合训练可使YOLO9000预测没有标记检测数据的对象。

05

YOLOV3 原理分析（全网资料整理）

首先通过特征提取网络对输入特征提取特征，得到特定大小的特征图输出。输入图像分成13×13的grid cell，接着如果真实框中某个object的中心坐标落在某个grid cell中，那么就由该grid cell来预测该object。每个object有固定数量的bounding box，YOLO v3中有三个bounding box，使用逻辑回归确定用来预测的回归框。

01

智慧工地人员行为分析系统

智慧工地人员行为分析系统依据深Python基于YOLOv7网络深度学习架构模型，对画面中工地人员行为及着装穿戴进行实时分析预警，当YOLOv7网络深度学习架构模型发现人员违规行为时，立即抓拍存档预警并发给后台。智慧工地人员行为分析对画面下的有关运动目标（人与物）开展实时分析识别，发现物的不安全状态或者人的不安全行为立即预警。

05

前Twitter资深工程师详解YOLO 2与YOLO 9000目标检测系统

AI研习社按：YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。在今年CVPR上，Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。这次讲座的主讲人为王东，前硅谷资深工程师。讲解顺序和论文结构类似，先讲YOLO 2的网络结构，重点分析如何产生目标边框和分类，以及相关的损失函数。训练YOLO 2的第一步是在ImageNet上预先学习darknet-19，在224x224图像上，它仅需5.58

06

办公室人员睡岗离岗监测系统

办公室人员睡岗离岗监测系统利用yolov系列以及opencv深度学习框架，办公室人员睡岗离岗监测系统对办公室内人员睡岗离岗行为实时分析检测，如果算法发现有人员离岗或者睡岗可以立即抓拍存档预警。提高的YOLO算法是一种基于回归的算法，它不是选择图像中有趣的部分，而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法，我们首先需要了解实际预测的是什么。最终，我们的目标是预测一类对象和指定对象位置的边界框。每个包围框可以用四个描述符来描述:1、矩形x中央(bx, by)2、宽度(bw)3、高度(bh)4、对象的类。

04

河道水位识别系统

河道水位识别系统采用yolov5网络模型深度学习技术，河道水位识别系统自动识别水尺位置，河道水位识别系统通过AI图像识别技术将数字与水位线位置结合对别，即可识别出水尺读数。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。要理解YOLO，我们首先要分别理解这两个模型。YOLO算法- YOLO算法是一种基于回归的算法，它不是选择图像中有趣的部分，而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法，我们首先需要了解实际预测的是什么。最终，我们的目标是预测一类对象和指定对象位置的边界框。

04

目标检测算法YOLO-V3结构详解

YOLO-V3模型框架，我们主要从它的基础网络Darknet-53以及YOLO-V3的结构方面学习，首先看下Darknet-53结构。

03

深度 | 详解CVPR2017最佳论文提名的 YOLO 2与 YOLO 9000物体检测系统

AI 科技评论按：YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。在今年CVPR上，Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。这次 AI 科技评论邀请到了前硅谷资深工程师王东为大家详细解读 YOLO 2和 YOLO 9000的技术细节。讲解顺序和论文结构类似，先讲YOLO 2的网络结构，重点分析如何产生目标边框和分类，以及相关的损失函数。训练YOLO 2的第一步是在ImageNe

07

电力煤矿液体泄漏识别系统

电力煤矿液体泄漏识别系统OpenCv+yolov网络框架模型对现场画面中管道机械实时检测，当电力煤矿液体泄漏识别系统检测到机械管道出现液体泄漏时，系统立即抓拍存档并告警同步回传给报警信息给后台监控人员，让工作人员及时处理。OpenCV基于C++实现，同时提供python, Ruby, Matlab等语言的接口。OpenCV-Python是OpenCV的Python API，结合了OpenCV C++API和Python语言的最佳特性。

02

Yolo目标检测算法综述

YOLO9000 使用 YOLOv2 模型，采用联合训练算法训练，拥有9000类的分类信息。

01

YOLOV3 原理分析（全网资料整理）

一文看懂YOLO v3 https://blog.csdn.net/litt1e/article/details/88907542

00

YOLO v1

Joseph Redmon和Ali Farhadi在2015年提出了YOLO目标检测深度网络，并在2017年和2018年进行了改进，这三个工作都发表在了当年的CVPR上。Joseph Redmon是华盛顿大学的博士，主要研究就方向为计算机视觉，这是Joseph Redmon的个人主页，Ali Farhadi是华盛顿大学的副教授，也是Joseph Redmon的导师，这是AIi Farhadi的个人主页。

02

AI检测人员工衣工服着装不规范识别系统

AI检测人员工衣工服着装不规范识别系统基于opencv+yolo网络深度学习模型，AI检测人员工衣工服着装不规范识别系统对现场画面中人员着装穿戴实时监测分析。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。要理解YOLO，我们首先要分别理解这两个模型。

04

Object Detection in Foggy Conditions by Fusion of Saliency Map and YOLO

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。

01

水位标尺智能识别系统

水位标尺智能识别系统通过python+yolo网络模型深度学习技术，水位标尺智能识别系统对河道湖泊水库等水位进行7*24小时实时自动监测，水位标尺智能识别系统监测到水位到达警戒线时，立即抓拍存档告警，并同步回传后台提醒人员及时处理。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。要理解YOLO，我们首先要分别理解这两个模型。

01

xYOLO | 最新最快的实时目标检测

随着物联网(IoT)、边缘计算和自主机器人等领域的车载视觉处理技术的出现，人们对复合高效卷积神经网络模型在资源受限的硬件设备上进行实时目标检测的需求越来越大。Tiny-YOLO通常被认为是低端设备中速度更快的对象探测器之一，这个也是今天作者工作的基础。

01

检测9000类物体的YOLO9000 更好更快更强

多尺度训练YOLOv2；权衡速度和准确率，运行在不同大小图像上。YOLOv2测试VOC 2007 数据集：67FPS时，76.8mAP；40FPS时，78.6mAP。

04

YOLO v3有哪些新特点？

You only look once（你只需看一次），或者YOLO，是目前比较快的目标对象检测算法之一。虽然它不再是最精确的目标对象检测算法，但是当您需要实时检测时，它是一个非常好的选择，不会损失太多精确度。

03

深度学习500问——Chapter08：目标检测（4）

我们将对单次目标检测器（包括SSD系列和YOLO系列等算法）进行综述。我们将分析FPN以理解多尺度特征图如何提高准确率，特别是小目标的检测，其在单次检测器中的检测效果通常很差。然后我们将分析Focal loss和RetinaNet，看看它们是如何解决训练过程中的类别不平衡问题的。

01

值班脱岗智能监测识别系统

值班脱岗智能监测识别系统通过python+yolo网络模型深度学习算法技术，值班脱岗智能监测识别系统对重要区域岗位状态等进行7*24小时不间断实时监测，当超过后台规定时间没有人员在规定区域，无需人为干预立即抓拍告警。目标检测架构分为两种，一种是two-stage，一种是one-stage，区别就在于 two-stage 有region proposal过程，类似于一种海选过程,网络会根据候选区域生成位置和类别，而one-stage直接从图片生成位置和类别。今天提到的 YOLO就是一种 one-stage方法。YOLO是You Only Look Once的缩写,意思是神经网络只需要看一次图片，就能输出结果。

00

基于Yolov8网络进行目标检测（一）-介绍和预测

之前提到过目标检测模型分为两类。一类是two-stage，将物体识别和物体定位分为两个步骤分别完成，这一类的典型代表是R-CNN, fast R-CNN, faster-RCNN家族。他们识别错误率低，漏识别率也较低，但是由于网络结构参数的计算量大，导致其检测速度慢，不能满足实时检测场景。为了解决精度与速度并存的问题，另一类方式出现了，称为one-stage, 典型代表是Yolo, SSD, YoloV2等。此类方法使用基于回归方法的思想，直接在输入图像的多个位置中回归出这个位置的区域框坐标和物体类别，他们识别速度很快，可以达到实时性要求，而且准确率也基本能达到faster R-CNN的水平。

02

One-stage目标检测算法综述

首先将图片 Resize 到固定尺寸，然后通过一套卷积神经网络，最后接上 FC 直接输出结果，这就他们整个网络的基本结构。

04

工作玩手机识别监测系统

工作玩手机识别监测系统通过YOLOV5网络深度学习算法模型对画面中人员玩手机行为进行实时监测，当工作玩手机识别监测系统识别到有人在玩手机行为时，无需人为干预工作玩手机识别监测系统立即抓拍存档触发告警。YOLO算法- YOLO算法是一种基于回归的算法，它不是选择图像中有趣的部分，而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法，我们首先需要了解实际预测的是什么。最终，我们的目标是预测一类对象和指定对象位置的边界框。

03

基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)

本文主要介绍基于YOLOv8和BotSORT实现球员和足球检测与跟踪，并给出步骤和代码。

01

PCB板缺陷检测机器视觉识别系统

PCB板缺陷检测机器视觉识别系统通过python+yolo系列网络深度学习模型对PCB电路板外观实时监测，PCB板缺陷检测机器视觉识别系统监测到有缺陷的PCB板时立即抓拍存档。Python是一种由Guido van Rossum开发的通用编程语言，它很快就变得非常流行，主要是因为它的简单性和代码可读性。它使程序员能够用更少的代码行表达思想，而不会降低可读性。Python可以使用C / C++轻松扩展，这使我们可以在C / C++中编写计算密集型代码，并创建可用作Python模块的Python包装器。

04

图像处理之目标检测的入门总结

目标检测，object detection，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。

01

未系安全带识别系统

未系安全带识别系统通过python+yolo智能视频分析技术，未系安全带识别系统对画面中高空作业人员未系安全带行为进行监测，未系安全带识别系统监测到人员未穿戴安全带时，未系安全带识别系统立即通知后台人员及时处理触发告警。Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框）的位置及其所属的类别。YOLO系列算法是一类典型的one-stage目标检测算法，其利用anchor box将分类与目标定位的回归问题结合起来，从而做到了高效、灵活和泛化性能好。在介绍Yolo算法之前，我们回忆下RCNN模型，RCNN模型提出了候选区(Region Proposals)的方法，先从图片中搜索出一些可能存在对象的候选区（Selective Search），大概2000个左右，然后对每个候选区进行对象识别，但处理速度较慢。

00

手把手教你用深度学习做物体检测(五)：YOLOv1介绍

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。

04

河道非法采砂识别系统

河道非法采砂识别系统通过yolov5网络架构深度学习技术对指定区域进行实时检测，一旦河道非法采砂识别系统检测到人员非法采砂时，无需人工干预系统会自动告警，同步回传监控管理中心，提醒后台相关人员及时处理。YOLO算法- YOLO算法是一种基于回归的算法，它不是选择图像中有趣的部分，而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法，我们首先需要了解实际预测的是什么。最终，我们的目标是预测一类对象和指定对象位置的边界框。

04

数据科学工具包：手把手用YOLO做目标检测

YOLO 是我最喜欢的计算机视觉算法之一，在很长一段时间里，我计划着专为它写一篇博文。然而，我不希望它成为另一篇详细解释 YOLO 背后工作原理的文章，网上有很多文章都很好地涵盖了它理论方面的知识。除此之外，如果你想加深对这个架构的理解，直接从源代码获取信息并阅读源文件（https://arxiv.org/abs/1506.02640）也是一个好主意。

02

智能图像水位识别监测系统

智能图像水位识别监测系统利用OpenCV+yolo网络学习模型对河道江河湖泊等区域进行实时监测，当智能图像水位识别监测系统监测到水位刻度尺超标时立即抓拍。OpenCV的全称是Open Source Computer Vision Library，是一个跨平台的计算机视觉处理开源软件库，支持与计算机视觉和机器学习相关的众多算法，以BSD许可证授权发行。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序，该程序库也可以使用英特尔公司的IPP进行加速处理。

03

10分钟学会使用YOLO及Opencv实现目标检测（下）|附源码

在上一节内容中，介绍了如何将YOLO应用于图像目标检测中，那么在学会检测单张图像后，我们也可以利用YOLO算法实现视频流中的目标检测。

03

目标检测算法YOLO-V1算法详解

今天我们学习另一系列目标检测算法YOLO(You Only Look Once)，公众号【智能算法】回复“论文YOLOV1”即可下载该论文。Yolo系列算法属于One-Stage算法,是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。现在YOLO已经发展到v5版本，不过新版本也是在原有版本基础上不断改进演化的，所以本文先分析YOLO v1版本。一起看看是如何实现的？本期主要包含以下内容：

01

YOLO 算法最全综述：从 YOLOv1 到 YOLOv5

YOLO系列是基于深度学习的回归方法，本文详细介绍了从YOLOv1至最新YOLOv5五种方法的主要思路、改进策略以及优缺点。

04

YOLO算法最全综述：从YOLOv1到YOLOv5

来源：知乎初识CV 深度学习爱好者https://zhuanlan.zhihu.com/p/136382095本文共8000字，建议阅读15分钟本文为大家介绍了YOLO算法的最全综述。 YOLO官网： https://github.com/pjreddie/darknet YOLO v.s Faster R-CNN 1.统一网络:YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和f

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭