實(shí)時(shí)對(duì)象檢測(cè)
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時(shí)間：2026-01-05
實(shí)時(shí)對(duì)象檢測(cè)的實(shí)例教程
2025 年 5 月出版
MP4 |視頻：h264、1920x1080 |音頻：AAC，44.1 KHz
語(yǔ)言：英語(yǔ) |大小：2.04 GB |時(shí)長(zhǎng)： 3h 0m
從注釋到推理：完整的 YOLOv11 工作流程
學(xué)習(xí)內(nèi)容
了解使用 YOLOv11 進(jìn)行計(jì)算機(jī)視覺(jué)和對(duì)象檢測(cè)的基礎(chǔ)知識(shí)。
在自定義數(shù)據(jù)集上設(shè)置和訓(xùn)練 YOLOv11 模型，以進(jìn)行實(shí)時(shí)對(duì)象檢測(cè)。
使用精度、召回率和 mAP 指標(biāo)評(píng)估和微調(diào) YOLOv11 性能。
使用 Python 和 OpenCV 為實(shí)際應(yīng)用程序部署 YOLOv11 模型。
要求
對(duì) Python 編程
有基本的了解 熟悉機(jī)器學(xué)習(xí)或深度學(xué)習(xí)概念是有幫助的，但不是強(qiáng)制性
的 具有穩(wěn)定互聯(lián)網(wǎng)連接和至少 8GB RAM 的計(jì)算機(jī)（建議將 GPU 用于訓(xùn)練模型）
愿意學(xué)習(xí)和試驗(yàn)計(jì)算機(jī)視覺(jué)工具和代碼
描述
使用 YOLOv11 釋放尖端計(jì)算機(jī)視覺(jué)的力量，YOLOv11 是“You Only Look Once”對(duì)象檢測(cè)架構(gòu)的最新和最先進(jìn)的版本。本實(shí)踐課程將帶您從對(duì)象檢測(cè)的基本概念到實(shí)時(shí)構(gòu)建、訓(xùn)練和部署您自己的 YOLOv11 模型。無(wú)論您是 AI 初學(xué)者，還是希望提升技能的經(jīng)驗(yàn)豐富的開(kāi)發(fā)人員，本課程都能提供完整、實(shí)用的學(xué)習(xí)體驗(yàn)。您將使用真實(shí)數(shù)據(jù)集，學(xué)習(xí)如何注釋和準(zhǔn)備數(shù)據(jù)，使用 Ultralytics 框架訓(xùn)練模型，使用關(guān)鍵指標(biāo)評(píng)估性能，并使用 Python 和 OpenCV 部署模型。每個(gè)模塊都包括代碼演練、作業(yè)和項(xiàng)目，旨在強(qiáng)化關(guān)鍵技能。不需要任何 YOLO 經(jīng)驗(yàn)，我們將通過(guò)清晰的說(shuō)明和示例指導(dǎo)您完成每個(gè)步驟。此外，您還將深入了解對(duì)象檢測(cè)在各個(gè)行業(yè)的使用，包括自動(dòng)駕駛、醫(yī)療保健、零售分析和監(jiān)控。
展開(kāi) ?
對(duì)象識(shí)別：
對(duì)象識(shí)別是識(shí)別圖像和視頻中存在的對(duì)象的技術(shù)。它是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)最重要的應(yīng)用之一。該領(lǐng)域的目標(biāo)是教機(jī)器像人類(lèi)一樣理解（識(shí)別）圖像的內(nèi)容。
?
編輯
對(duì)象識(shí)別
使用機(jī)器學(xué)習(xí)進(jìn)行對(duì)象識(shí)別
HOG（定向梯度直方圖）特征提取器和 SVM（支持向量機(jī)）模型：在深度學(xué)習(xí)時(shí)代之前，它是一種最先進(jìn)的對(duì)象檢測(cè)方法。它采用正（包含對(duì)象的圖像）和負(fù)（不包含對(duì)象的圖像）樣本的直方圖描述符，并在此基礎(chǔ)上訓(xùn)練我們的 SVM 模型。
特征袋模型：就像 Bag of words 將文檔視為無(wú)序的單詞集合一樣，這種方法也將圖像表示為無(wú)序的圖像特征集合。這方面的示例包括 SIFT、MSER 等。
Viola-Jones 算法：該算法廣泛用于圖像中或實(shí)時(shí)的人臉檢測(cè)。它從圖像中執(zhí)行類(lèi)似 Haar 的特征提取。這將生成大量特征。然后，這些特征將傳遞到提升分類(lèi)器中。這將生成提升分類(lèi)器的級(jí)聯(lián)來(lái)執(zhí)行圖像檢測(cè)。需要將圖像傳遞給每個(gè)分類(lèi)器，以生成正 （找到人臉） 結(jié)果。Viola-Jones 的優(yōu)點(diǎn)是它的檢測(cè)時(shí)間為 2 fps，可用于實(shí)時(shí)人臉識(shí)別系統(tǒng)。
使用深度學(xué)習(xí)進(jìn)行對(duì)象識(shí)別
卷積神經(jīng)網(wǎng)絡(luò) （CNN） 是進(jìn)行對(duì)象識(shí)別的最流行的方法之一。它被廣泛使用，并且大多數(shù)最先進(jìn)的神經(jīng)網(wǎng)絡(luò)將此方法用于各種與對(duì)象識(shí)別相關(guān)的任務(wù)，例如圖像分類(lèi)。此 CNN 網(wǎng)絡(luò)將圖像作為輸入并輸出不同類(lèi)別的概率。如果圖像中存在對(duì)象，則其輸出概率很高，否則其余類(lèi)的輸出概率可以忽略不計(jì)或較低。
展開(kāi) 為了進(jìn)行檢測(cè)，我們上面討論過(guò)的 Darknet-19 架構(gòu)中進(jìn)行了一些修改。該模型在啟動(dòng)時(shí)訓(xùn)練了 160 個(gè) epoch學(xué)習(xí)率 10-3，權(quán)重衰減為 0.0005，動(dòng)量衰減為 0.9。在 COCO 和 VOC 上訓(xùn)練模型的策略相同。
結(jié)果和結(jié)論：
不同對(duì)象檢測(cè)框架的結(jié)果
YOLOv2 在 PASCAL VOC 和 COCO 上提供了最先進(jìn)的檢測(cè)精度。它可以在不同尺寸上運(yùn)行，從而在速度和準(zhǔn)確性之間進(jìn)行權(quán)衡。在 67 FPS 時(shí)，YOLOv2 可以提供 76.8 的 mAP，而在 40 FPS 時(shí)，檢測(cè)器的精度為 78.6 mAP，優(yōu)于更快的 R-CNN 和 SSD 等最新模型，同時(shí)運(yùn)行速度明顯快于這些模型。
不同物體檢測(cè)的速度與精度曲線
該模型也是 YOLO9000 模型的基礎(chǔ)，該模型能夠實(shí)時(shí)檢測(cè) 9000 多個(gè)類(lèi)。
展開(kāi) 識(shí)別和檢測(cè)圖像或視頻中的對(duì)象是計(jì)算機(jī)視覺(jué)中的一項(xiàng)關(guān)鍵任務(wù)。它在各種應(yīng)用中都至關(guān)重要，從自動(dòng)駕駛汽車(chē)和監(jiān)控系統(tǒng)到增強(qiáng)現(xiàn)實(shí)和醫(yī)學(xué)成像。TensorFlow 是一個(gè) Google 開(kāi)源機(jī)器學(xué)習(xí)框架，為開(kāi)發(fā)和部署對(duì)象檢測(cè)模型提供了一系列強(qiáng)大的工具。
在本文中，我們將介紹使用 TensorFlow 進(jìn)行對(duì)象識(shí)別的基礎(chǔ)知識(shí)。TensorFlow 提供了一個(gè)靈活高效的框架來(lái)滿足您的需求，無(wú)論您是在從事計(jì)算機(jī)視覺(jué)研究項(xiàng)目，還是在設(shè)計(jì)需要實(shí)時(shí)對(duì)象識(shí)別功能的應(yīng)用。讓我們深入了解利用 TensorFlow 開(kāi)發(fā)對(duì)象檢測(cè)并充分發(fā)揮這項(xiàng)尖端技術(shù)的潛力的細(xì)節(jié)。
什么是對(duì)象檢測(cè)？
對(duì)象檢測(cè)是一項(xiàng)計(jì)算機(jī)視覺(jué)任務(wù)，涉及識(shí)別和定位圖像或視頻中的多個(gè)對(duì)象。目標(biāo)不僅是對(duì)圖像中的內(nèi)容進(jìn)行分類(lèi)，而且還要精確勾勒和精確定位每個(gè)對(duì)象的位置。
對(duì)象檢測(cè)中的關(guān)鍵概念：
邊界框
對(duì)象檢測(cè)涉及在檢測(cè)到的對(duì)象周?chē)L制邊界框。定界框是包圍對(duì)象的矩形，由其坐標(biāo)定義，通常為 （x_min， y_min） 表示左上角，（x_max， y_max） 表示右下角。
?
對(duì)象本地化
定位是確定對(duì)象在圖像中的位置的過(guò)程。它涉及預(yù)測(cè)封裝對(duì)象的邊界框的坐標(biāo)。
類(lèi)預(yù)測(cè)
對(duì)象檢測(cè)不僅可以定位對(duì)象，還可以將它們分為不同的類(lèi)別（例如，人、汽車(chē)、狗）。每個(gè)對(duì)象都分配有一個(gè)類(lèi)標(biāo)簽，提供有關(guān)對(duì)象的信息。
展開(kāi) 為確保變壓器：安全可靠的運(yùn)行，需要實(shí)時(shí)測(cè)量礦物油基變壓器油的擊穿電壓、含水量和溫度，為此工采網(wǎng)推薦德國(guó)Passerro 在線擊穿電壓傳感器 絕緣油測(cè)試裝置 BDVB TrafoStick TS4x ：BDVB TrafoStick TS4x傳感器是專(zhuān)為變壓器現(xiàn)場(chǎng)永久使用而開(kāi)發(fā)的，專(zhuān)門(mén)用于持續(xù)實(shí)時(shí)測(cè)量礦物油基變壓器油的擊穿電壓、含水量和溫度。變壓器介電強(qiáng)度的自動(dòng)實(shí)時(shí)監(jiān)測(cè)可以觀察變壓器的安全狀態(tài)，識(shí)別趨勢(shì)，最重要的是，及時(shí)采取措施提高變壓器和整個(gè)供電區(qū)域的安全性。
實(shí)時(shí)對(duì)象檢測(cè)的相關(guān)專(zhuān)題、標(biāo)簽、搜索
實(shí)時(shí)對(duì)象檢測(cè)對(duì)象檢測(cè)對(duì)象捕捉面向?qū)ο?/a>對(duì)象識(shí)別Abaqus旋轉(zhuǎn)對(duì)象 vs code實(shí)時(shí)檢測(cè)abaqus.rpy文件的變化？vs code如何實(shí)時(shí)檢測(cè)并顯示abaqus的.rpy文件的變化？vs code如何能實(shí)時(shí)檢測(cè)abaqus.rpy文件的變化？star ccm 多體運(yùn)動(dòng)檢測(cè)耦合對(duì)象間的位移對(duì)象引用未設(shè)置到對(duì)象的實(shí)例未將對(duì)象引用設(shè)置到對(duì)象實(shí)例
實(shí)時(shí)對(duì)象檢測(cè)的最新內(nèi)容
在自定義數(shù)據(jù)集上設(shè)置和訓(xùn)練 YOLOv11 模型，以進(jìn)行實(shí)時(shí)對(duì)象檢測(cè)。
使用精度、召回率和 mAP 指標(biāo)評(píng)估和微調(diào) YOLOv11 性能。
使用 Python 和 OpenCV 為實(shí)際應(yīng)用程序部署 YOLOv11 模型。
識(shí)別和檢測(cè)圖像或視頻中的對(duì)象是計(jì)算機(jī)視覺(jué)中的一項(xiàng)關(guān)鍵任務(wù)。它在各種應(yīng)用中都至關(guān)重要，從自動(dòng)駕駛汽車(chē)和監(jiān)控系統(tǒng)到增強(qiáng)現(xiàn)實(shí)和醫(yī)學(xué)成像。TensorFlow 是一個(gè) Google 開(kāi)源機(jī)器學(xué)習(xí)框架，為開(kāi)發(fā)和部署對(duì)象檢測(cè)模型提供了一系列強(qiáng)大的工具。
在本文中，我們將介紹使用 TensorFlow
在速度方面，YOLO 是對(duì)象識(shí)別領(lǐng)域最好的模型之一，能夠以高達(dá) 150 FPS 的速率識(shí)別對(duì)象并處理幀，適用于小型網(wǎng)絡(luò)。然而，就準(zhǔn)確率 mAP 而言，YOLO 并不是最先進(jìn)的模型，但在 PASCAL VOC2007 和 PASCAL VOC 2012 上訓(xùn)練時(shí)，平均精度 （mAP） 相當(dāng)好，為 63%。然而，當(dāng)時(shí)最先進(jìn)的 Fast R-CNN 的 mAP 為 71%。
YOLO
?
對(duì)象識(shí)別：
對(duì)象識(shí)別是識(shí)別圖像和視頻中存在的對(duì)象的技術(shù)。它是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)最重要的應(yīng)用之一。該領(lǐng)域的目標(biāo)是教機(jī)器像人類(lèi)一樣理解（識(shí)別）圖像的內(nèi)容。
?
編輯
7·19陜西柞水大橋垮塌事件：橋梁安全警鐘長(zhǎng)鳴，行業(yè)如何筑起堅(jiān)固防線
據(jù)報(bào)道，受暴雨影響，7月19日商洛市柞水縣至山陽(yáng)縣高速公路一大橋塌方。武警商洛支隊(duì)立即出動(dòng)兵力緊急進(jìn)行搜救，截至7月21日19時(shí)，已搜尋到遇難者遺體15具。
據(jù)資料顯示，事故后橋梁殘骸情況如圖所示。可觀察到，事故后第8、9跨上部結(jié)構(gòu)垮塌，8#號(hào)橋墩毀壞。其中，第8跨主梁及
摘要闡述了變壓器油中微水的狀態(tài)及危害,論述了變壓器絕緣油中微水的測(cè)試方法,以期為變壓器絕緣油中微水監(jiān)測(cè)提供參考。
關(guān)鍵詞變壓器;絕緣油;微水監(jiān)測(cè)
目前電力變壓器不僅屬于電力系統(tǒng)最重要的和最昂貴的設(shè)備之列,而且也是導(dǎo)致電力系統(tǒng)事故最多的設(shè)備之一。變壓器在發(fā)生突發(fā)性故障之前,絕緣的劣化及潛伏性故障在運(yùn)行電壓的作用下將產(chǎn)生光、電、聲、熱、化學(xué)變化等一系列效應(yīng)及信息。因此,國(guó)內(nèi)外不僅要定期做以預(yù)防性試驗(yàn)為基礎(chǔ)的預(yù)防性維護(hù)
作者 |
Priya Dwivedi（編譯:ronghuaiyang）
來(lái)源 |
AI公園
知圈
|
進(jìn)“域控制器群”請(qǐng)加微13636581676,備注
域
導(dǎo)讀
車(chē)道線檢測(cè) + 距離告警 + 轉(zhuǎn)彎曲率半徑計(jì)算。
代碼：https://github.com
提高垃圾收集率、減少亂丟垃圾是我們共同努力的目標(biāo)，在人口稠密的城市，垃圾是必要的服務(wù)，在許多城市，垃圾車(chē)是空的，垃圾隨處可見(jiàn)沿線，但它不是有效的方法，因?yàn)橛泻芏嗫臻g可以很多垃圾離開(kāi)的路上，仍然有很多垃圾，不造成清除垃圾，在這個(gè)過(guò)程中汽車(chē)的燃料消耗的去除是沒(méi)有必要的。
眼下，垃圾分類(lèi)成為全社會(huì)熱議的話題，自從2019年7月1日，上海垃圾分類(lèi)進(jìn)入強(qiáng)制時(shí)代。北京、南京等城市也表示
