tag 目標檢測

標籤
貢獻21
70
06:35 PM · Nov 16 ,2025
u_17467352 頭像 u_17037082 頭像 u_17587833 頭像 u_17335978 頭像 u_16213580 頭像 whaosoft143 頭像 u_16213673 頭像 u_16213604 頭像 u_16099279 頭像 u_16213621 頭像 u_15531854 頭像 u_15699099 頭像

@目標檢測 / 博客 RSS 訂閱

u_15531854 頭像

極智視界 - 目標檢測數據集 - 衞星圖像船舶檢測數據集下載

數據集介紹：衞星圖像船舶檢測數據集，真實場景高質量圖片數據，涉及場景豐富，比如近岸港口船舶、遠海貨運船舶、島礁周邊船舶、船舶遮擋、船舶嚴重遮擋數據等，劃分為 "Ship" 一個類別； 適用實際項目應用：衞星圖像船舶檢測項目，以及作為衞星圖像通用目標檢測數據集場景數據的補充； 標註説明：採用 labelimg 標註

數據集 , 目標跟蹤 , 後端開發 , 人工智能 , 目標檢測 , Python

收藏 評論

u_16099217 頭像

技術博客達人 - Python之cv2：cv2(OpenCV，opencv-python)庫pip下載超時、下載失敗、無法下載的解決方案大全

目錄 問題現象與原因分析 基礎排查：檢查 Python 與 pip 版本 使用國內鏡像源加速下載 手動下載 Wheel 包並離線安裝 配置代理和具 使用 Conda 安裝 OpenCV 常見問題 FAQ 總結 問題現象與原因分析

pip , 人工智能 , opencv , Css , 目標檢測 , 前端開發 , HTML , Python

收藏 評論

u_16213584 頭像

mob64ca13f87273 - 機器人視覺識別系統研究_fpga和matlab的技術博客

摘要 工業生產過程中，儀表作為關鍵設備運行狀態的核心監測載體，其數據的精準、實時採集對安全生產與高效運維至關重要。傳統人工巡檢模式存在效率低下、環境適應性差、人為誤差等弊端，難以滿足現代化工業的智能化管理需求。工業巡檢機器人結合視覺識別技術，實現了儀表數據的自動化、無人化採集，成為工業智能化轉型的重要支撐。本文系統闡述視覺識別技術在工業巡檢

機器學習 , 機器人 , 人工智能 , 計算機視覺 , Css , 目標檢測 , 前端開發 , HTML

收藏 評論

u_16213636 頭像

mob64ca1404ed65 - Tensorrt踩坑日記 | python、pytorch 轉 onnx 推理加速

環境補充 配置訓練環境時，有一些包沒有安裝，這裏進行一些補充，就記得這幾個了，其餘的忘了，大家缺啥補啥吧，反正都是pip安裝。 conda activate rf-detr pip install onnx pip install onnxruntime pip install onnxsim onnx模型導出 from

人工智能 , 深度學習 , 計算機視覺 , 目標檢測 , 前端開發 , Javascript , Python

收藏 評論

u_39037 頭像

jimoshalengzhou - 小白筆記：動手做目標檢測 --> YOLO v3（二）

文章目錄 系列文章目錄 前言 一、YOLO3算法簡介 二、基於TensorFlow 2.x的輕量級YOLO3模型（YOLO3 Nano）簡介 三、需要文件的下載安裝 三、打標教程及技巧：為訓練準備高質量數據 工具準備：LabelImg 打標步驟 打標技巧 三、訓

數據集 , 幀率 , 目標檢測 , 前端開發 , Javascript

收藏 評論

u_16213707 頭像

mob64ca1415f0ab - 模型的跨界：我拿Transformer去做目標檢測，結果發現效果不錯

一、Transformer目標檢測基礎概念與核心原理 什麼是Transformer目標檢測？ Transformer目標檢測是以DETR（DEtection TRansformer）為代表的新型檢測範式，其核心思想是將目標檢測任務轉化為直接集合預測問題。與傳統基於卷積神經網絡（CNN）的方法不同，Transformer檢測器摒棄了錨框、非極大

編碼器 , 後端開發 , transformer , 深度學習 , 目標檢測 , Python

收藏 評論

u_16213568 頭像

網絡小墨舞風 - 【開源】近期遙感航空影像的檢索、檢測、跟蹤、計數、分類相關工作

Abstract 本文針對遙感圖像中的開放集飛機檢測問題展開研究，該任務要求模型能夠在動態環境下，同時識別已知（經過訓練）和未知（未經過訓練）的目標類別。由於背景複雜且目標分辨率較低，難以在對應位置生成高質量的偽標籤。為此，我們提出了一種基於邊緣信息提取的開放集目標檢測框架（Edge Information Extraction-based Ope

權重 , 人工智能 , 遙感圖像 , 計算機視覺 , 目標檢測 , 前端開發 , Javascript

收藏 評論

u_16213667 頭像

mob64ca140c75c7 - vfl損失公式表達

1. 總述 Focal loss主要是為了解決one-stage目標檢測中正負樣本比例嚴重失衡的問題。該損失函數降低了大量簡單負樣本在訓練中所佔的權重，也可理解為一種困難樣本挖掘。 2. 損失函數形式 Focal loss是在交叉熵損失函數基礎上進行的修改，首先回顧二分類交叉上損失： 是經過激活函數的輸出，所以在0

vfl損失公式表達 , 損失函數 , 權重 , 人工智能 , 計算機視覺 , 目標檢測

收藏 評論

u_16123336 頭像

51CTO技術成就夢想 - 金屬外表多種生鏽檢測數據集（1200張圖片已劃分）｜面向工業巡檢的目標檢測數據集

金屬外表多種生鏽檢測數據集（1200張圖片已劃分）｜面向工業巡檢的目標檢測數據集 在工業設備智能運維、基礎設施安全評估與城市大型金屬結構全生命週期管理不斷推進的背景下，金屬鏽蝕的自動化識別與精確定位已成為工業視覺領域的重要研究與落地方向。 傳統依賴人工巡檢的方式，不僅效率低、主觀性強，而且在高空、狹小空間、高危環境中存在明顯安全隱患。 本文將圍繞一個 已完成標註與劃分的金屬外表生

數據集 , 無人機 , 人工智能 , 深度學習 , 目標檢測

收藏 評論

u_14540126 頭像

最多選5個技能 - DeepSeek遷移學習與預訓練模型應用

遷移學習是一種利用預訓練模型的知識來加速新任務訓練的技術。通過遷移學習，我們可以在數據量有限的情況下，快速構建高性能的模型。DeepSeek提供了豐富的預訓練模型和遷移學習工具，幫助我們高效地完成新任務的訓練。本文將詳細介紹如何使用DeepSeek進行遷移學習，並通過代碼示例幫助你掌握這些技巧。 1. 遷移學習的基本概念 遷移學習的核心思想是將在一個任務上學到的知識應

數據 , Css , 遷移學習 , 目標檢測 , 前端開發 , HTML

收藏 評論

u_17467352 頭像

mb686fbcc4efbd6 - 癌症檢測血細胞分類數據集499張5類別已劃分好訓練驗證測試集

數據集類型：圖像分類用，不可用於目標檢測無標註文件 數據集格式：僅僅包含jpg圖片，每個類別文件夾下面存放着對應圖片 圖片數量(jpg文件個數)：4994 分類類別數：5 類別名稱:['basophil','erythroblast','monocyte','myeloblast','seg_neutrophil']=['嗜鹼性粒細胞','幼紅細胞','單

數據集 , 圖像分類 , 後端開發 , JAVA , 目標檢測

收藏 評論

u_15699099 頭像

wx62b9325dd56a7 - 三維目標檢測論文和代碼彙總

文章目錄 2021 FCAF3D: Fully Convolutional Anchor-Free 3D Object Detection 2023 TR3D: TOWARDS REAL-TIME INDOOR 3D OBJECT DETECTION 2

redis , 3d , 數據庫 , 人工智能 , 計算機視覺 , 目標檢測

收藏 評論

u_17467352 頭像

mb686fbcc4efbd6 - 香蕉葉子病害分類數據集898張4類別

數據集類型：圖像分類用，不可用於目標檢測無標註文件 數據集格式：僅僅包含jpg圖片，每個類別文件夾下面存放着對應圖片 圖片數量(jpg文件個數)：898 分類類別數：4 類別名稱:['cordana','healthy','pestalotiopsis','sigatoka']=['棒孢黴葉斑病','健康','擬盤多毛孢葉斑病','香蕉葉斑病'] 每

數據集 , 圖像分類 , 後端開發 , JAVA , 目標檢測

收藏 評論

u_17587833 頭像

mb6923acc0735dc - 鴻蒙AI實戰之圖像識別：圖像分類、目標檢測與圖像分割核心代碼解析

引言：智能視覺，鴻蒙設備的"眼睛" 在智能化時代，設備能否"看懂"世界成為衡量其智能水平的關鍵指標。HarmonyOS通過強大的端側AI能力，為開發者提供了一整套圖像識別解決方案。無論是相冊自動分類、工業質檢，還是AR導航，都離不開圖像識別技術的支持。本文將深入解析HarmonyOS圖像識別的三大核心任務：圖像分類、目標檢測和圖像分割的實現原理與代碼實踐。 一、核心概

圖像分割 , 移動開發 , 圖像分類 , Android , 目標檢測

收藏 評論

u_16213621 頭像

mob64ca14017c37 - grafana兩個指標合併

前言 多目標跟蹤器的性能需要某些指標來進行度量，目前使用比較廣泛的評測指標主要有 Bernardin 等人定義的 CLEAR MOT 指標、Ristani 等人定義的 ID scores 指標以及最新的 Luiten 等人定義的HOTA 指標。 一、基礎的評測指標 1.1 ID Switches (ID Sw.) 被跟蹤目

雲計算 , 算法 , grafana兩個指標合併 , 目標跟蹤 , 人工智能 , 雲原生 , 目標檢測

收藏 評論

u_16099279 頭像

夜行者3號 - 吳恩達【深度學習工程師】 04.卷積神經網絡 第三週目標檢測 （1）基本的對象檢測算法

本週為第四課的第三週內容，這一課所有內容的中心只有一個：計算機視覺。應用在深度學習裏，就是專門用來進行圖學習的模型和技術，是在之前全連接基礎上的“特化”，也是相關專業裏的一個重要研究大類。 這一整節課都存在大量需要反覆理解的內容和機器學習、數學基礎。 因此我會盡可能的補足基礎，用比喻和實例來演示每個部分，從而幫助理解。 第三週的內容將從圖像分類

後端開發 , 特徵點檢測 , 深度學習 , 目標檢測 , Python

收藏 評論

u_16213604 頭像

mob64ca13fd559d - CVPR 2021 | 論文大盤點：3D目標檢測_

論文名字：UniMODE: Unified Monocular 3D Object Detection 地址：https://arxiv.org/abs/2402.18573v1 主要內容 1、針對多種數據集的處理 實驗基於六種數據集進行，每個都是不用的檢測範圍，如圖3室內和室外的範圍.也有不同的類

數據集 , Domain , 3d , 後端開發 , 人工智能 , 目標檢測 , Python

收藏 評論

u_16213673 頭像

mob64ca140dc73b - 模型的可擴展性如何實驗驗證

文章作者：Tyan簡書、 1. 擴張卷積 Dilated Convolutions，翻譯為擴張卷積或空洞卷積。擴張卷積與普通的卷積相比，除了卷積核的大小以外，還有一個擴張率(dilation rate)參數，主要用來表示擴張的大小。擴張卷積與普通卷積的相同點在於，卷積核的大小是一樣的，在神經網絡中即參數數量不變，區別在於擴張卷積具有更大的感受野。感受野是卷積核在圖像上

卷積 , 卷積核 , 大數據 , 模型的可擴展性如何實驗驗證 , 數據倉庫 , 目標檢測

收藏 評論

u_17037082 頭像

王校長的熱狗 - 街景目標檢測數據集4813張VOC+YOLO格式

街景目標檢測數據集4813張VOC+YOLO格式 數據集格式：VOC格式+YOLO格式 壓縮包內含：3個文件夾，分別存儲圖片、xml、txt文件 JPEGImages文件夾中jpg圖片總計：4813 Annotations文件夾中xml文件總計：4813 labels文件夾中txt文件總計：4813

數據集 , 街景目標 , 後端開發 , txt文件 , 目標檢測 , Python

收藏 評論

u_17467352 頭像

mb686fbcc4efbd6 - 口腔癌病理染色組織切片圖片分類數據集11303張2類別

注意數據集中圖片有超過一半是增強圖片 數據集類型：圖像分類用，不可用於目標檢測無標註文件 數據集格式：僅僅包含jpg圖片，每個類別文件夾下面存放着對應圖片 圖片數量(jpg文件個數)：11303 分類類別數：2 類別名稱:['Normal','OSCC'] 每個類別圖片數： 訓練集圖片數：9264 - Normal訓練集圖片數：43

數據集 , 圖像分類 , 後端開發 , JAVA , 目標檢測

收藏 評論

u_17467352 頭像

mb686fbcc4efbd6 - 超聲圖像多囊卵巢綜合症分類數據集4637張2類別

注意數據集中大約一半為增強圖片主要為旋轉增強圖片 數據集類型：圖像分類用，不可用於目標檢測無標註文件 數據集格式：僅僅包含jpg圖片，每個類別文件夾下面存放着對應圖片 圖片數量(jpg文件個數)：4637 分類類別數：2 類別名稱:['infected','notinfected'] 每個類別圖片數： 訓練集圖片數：4074 - i

數據集 , 圖像分類 , 後端開發 , JAVA , 目標檢測

收藏 評論

whaosoft143 頭像

whao143 - 51c~視覺~紅外小目標檢測~合集1

一、PyIRSTDMetrics Infrared Small Target Detection, IRSTD 2025論文拷問紅外小目標檢測評估標準 今天我們不聊新模型，不説又刷了幾個點的SOTA，咱們來聊點更根本的：我們衡量SOTA的方式，真的對嗎？ 在計算機視覺裏，有個領域叫“紅外小目標檢測”（Infrared Small

紅外 , 視覺 , 人工智能 , 計算機視覺 , 目標檢測

收藏 評論

u_17037082 頭像

王校長的熱狗 - 航拍地面多目標檢測數據集1713張16類標籤VOC+YOLO格式

航拍地面多目標檢測數據集1713張16類標籤VOC+YOLO格式 數據集格式：VOC格式+YOLO格式 壓縮包內含：3個文件夾，分別存儲圖片、xml、txt文件 JPEGImages文件夾中jpg圖片總計：1713 Annotations文件夾中xml文件總計：1713 labels文件夾中txt文件總

數據集 , 後端開發 , 航拍地面多目標檢測數據集1713張1 , txt文件 , 目標檢測 , Python

收藏 評論

u_16213580 頭像

雲端行者 - YOLO神經網絡_yolo網絡

在計算機視覺領域，目標檢測與跟蹤的性能很大程度上依賴於模型架構的設計。傳統的手動調參方式不僅耗時費力，還難以應對複雜多變的應用場景。神經架構搜索（Neural Architecture Search, NAS）技術的出現，為自動優化模型結構提供了可能。本文將介紹yolo_tracking項目中如何利用NAS技術實現模型的自動設計與優化，幫助開發者快速構建高效的目標跟蹤系統

搜索 , 目標跟蹤 , 後端開發 , 目標檢測 , Python

收藏 評論