要求 對 Python 編程 有基本的了解 熟悉機器學習或深度學習概念是有幫助的，但不是強制性 的 具有穩定互聯網連接和至少 8GB RAM 的計算機（建議將 GPU 用于訓練模型） 愿意學習和試驗計算機視覺工具和代碼 描述 使用 YOLOv11 釋放尖端計算機視覺的力量，YOLOv11 是“You Only Look Once”對象檢測架構的最新和最先進的版本。

在 67 FPS 時，YOLOv2 的 mAP 為 76.8%，在 67 FPS 時，它在 VOC 2007 數據集上的mAP 為78.6%，優于更快的 R-CNN 和 SSD 等模型。YOLO 9000 使用 YOLO v2 架構，但能夠檢測到 9000 多個類。然而，YOLO 9000 的 mAP 為 19.7%。

文獻[8-10]使用剪枝方法對神經網絡進行網絡壓縮. 文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.

YOLOv3目標檢測 項目中教室內學生的位置檢測以及人數統計使用Paddle模型庫中的YOLOv3模型 數據集 采用我校教務處提供的一周（5天）教學視頻為基礎，每天視頻時長14小時（8：00——22：00，有前后兩個攝像頭），每隔10分鐘截取一張圖片，一共289張圖片，進行人為手工標準（EasyDL平臺上也有相同模型） 訓練 在本機上以batch_size=2

《End-to-end people detection in crowded scenes》CVPR2016[4] 在Faster-rcnn、YOLOv1問世的2015年，這篇LSTM跨界搞目標檢測的論文顯得有些默默無聞。

本文中基于YOLOv2模型的簡化版本Tiny-YOLOv2進行目標檢測，提高了訓練速度與處理效率。 1.2 Tiny-YOLOv2網絡改進 本文中的數據集數據較少、物體種類不多，且識別目標較小，基于通用物體識別的Tiny-YOLOv2網絡并不能表現出最優的檢測效果，故在此對原網絡模型進行改進。

這些算法分別是Cascade R-CNN，Faster R-CNN，FPN，Grid R-CNN，RefineDet，RetinaNet，SSD512和YOLOv3。

蔡舒平等[42]對YOLOv4目標檢測模型進行了改進，改進后的模型參數減少，檢測速度提高了29.4%，魯棒性強、實時性好。馬佳良等[43]在傳統的Fast R-CNN基礎上，提出了Accurate R-CNN目標檢測框架，可以在不同數據集和不同的任務上取得良好的檢測效果。 單一的傳感器在智能農機的環境感知中具有局限性，一般都將多個傳感器信息進行融合檢測。

蔡舒平等[42]對YOLOv4目標檢測模型進行了改進，改進后的模型參數減少，檢測速度提高了29.4%，魯棒性強、實時性好。馬佳良等[43]在傳統的Fast R-CNN基礎上，提出了Accurate R-CNN目標檢測框架，可以在不同數據集和不同的任務上取得良好的檢測效果。 單一的傳感器在智能農機的環境感知中具有局限性，一般都將多個傳感器信息進行融合檢測。

YOLOv1采用卷積和Pooling結合提取特征，最后的特征圖空間大小為7*7。與SSD和RetinaNet不同，YOLOv1采用全連接層直接輸出每個7*7位置的物體類別和邊框，并不需要Anchor的輔助。每個位置輸出兩個物體，并選擇置信度較大的那一個。當場景中小物體比較多的時候，相近位置的物體有可能會被丟掉，這也是YOLOv1的一個主要問題。