针对视障人士的户外障碍物检测研究
本研究使用 YOLO 模型和 OpenCV 库,利用实时视频检测对象并将图像识别结果以可听形式提供给视觉障碍者,成功实现了优秀的平均准确率 (mAP)。
Dec, 2023
在道路基础设施维护和保障道路安全中,有效检测道路危险是至关重要的。本研究评估了 YOLOv8,一种物体检测模型,在检测路面危险,如坑洞、下水道盖和人孔等方面的综合性能。通过与之前版本 YOLOv5 和 YOLOv7 的比较分析,强调了计算效率在各种应用中的重要性。本文探讨了 YOLOv8 的架构,并探索了旨在提高检测准确性的图像预处理技术,包括光照、道路类型、危险大小和类型的多样条件。此外,通过调整学习率、批量大小、锚点框大小和增强策略进行超参数调优实验,优化模型的性能。模型评估基于 Mean Average Precision (mAP),这是一种广泛接受的物体检测性能指标。通过在多种测试场景下计算 mAP 分数,本研究评估了模型的稳健性和泛化能力,强调了 YOLOv8 在道路危险检测和基础设施维护中的重要性。
Oct, 2023
本文使用了改进的 YOLOv5 和 YOLOv8 模型,在不同照明条件下检测和分类不同的道路标志,实验结果表明,两个模型在不同训练设置下都能表现良好,其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。
Jun, 2024
该研究通过比较分析 YOLOv5 和 YOLOv8 模型,挑战了后者在性能指标上的优越性的普遍假设。与最初的预期相反,YOLOv5 模型在目标检测任务中表现出了可比较的甚至在某些情况下优越的精度。我们的分析探讨了导致这些发现的底层因素,包括模型架构复杂性、训练数据集的差异和实际应用性等方面。通过严格测试和消融研究,我们呈现了对每个模型能力的细致理解,为选择和优化用于机器人应用的目标检测框架提供了洞察。该研究的意义扩展到更高效和情境适应性系统的设计,强调了评估模型性能的整体方法的必要性。
Jun, 2024
通过消除非极大值抑制(NMS)的依赖性和综合优化 YOLOs 的各个组件,本研究提出了一种新一代的实时端到端目标检测模型 YOLOv10,其在性能和效率方面均取得了最新的成果。
May, 2024
本文提出了一种广义飞行物实时检测模型,可用于迁移学习和进一步研究,同时提出了一种可用于实现的改进模型。通过将第一通用模型训练在包含 40 种不同类别的飞行物数据集上,我们可以使模型提取抽象特征表示,然后在代表真实世界环境的数据集上执行传递学习,从而生成改进的模型,并且我们尝试使用当前最先进的单发探测器 YOLOv8 来解决一些出现的挑战。最后得到的模型达到了 0.685 的 mAP50-95 和 50fps 的平均推断速度。
May, 2023
通过改进检测精度、减少模型面临的问题以及应用数据增强、噪声降低、参数优化和模型融合等技术,我们提出了一种针对混杂背景、遮挡环境中实时检测汽车和坦克的深度学习模型。SSD-Mobilenet v2 模型的准确率和帧数优于 YOLO V3 和 YOLO V4,我们通过引入数据增强、噪声降低、参数优化和模型融合等技术进一步提高检测和识别的效果,并对检测方式进行了统计,属性实验比较,并实现了一个具有物体计数、警报、状态、分辨率以及帧数等功能的图形用户界面系统。该方法的实施得到了 YOLO V3、V4 和 SSD 分析的确认,以完成提出的方法。
Jan, 2024
本文综合分析了 YOLO 实时目标检测系统的发展历程及其每个版本的创新和贡献,从原版 YOLO 到 YOLOv8,涵盖了标准度量和后处理、网络架构和训练技巧等方面,总结了 YOLO 发展的重要经验和展望其未来,强调提高实时目标检测系统的潜在研究方向。
Apr, 2023
本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能,最终提出了一系列新模型 YOLO-Z,并取得了最多 6.9% 的 mAP 改进。
Dec, 2021
YOLO-World is an innovative approach that enhances the You Only Look Once (YOLO) series of detectors with open-vocabulary detection capabilities through vision-language modeling, achieving high efficiency and accuracy in detecting a wide range of objects in a zero-shot manner.
Jan, 2024