儿童腕部外伤 X 射线图像的 YOLOv9 骨折检测
本文研究了如何使用 YOLOv8 算法从 X 光图像中检测儿童手腕骨折,并通过实验结果展示了该算法在不同模型大小上取得了不同的优势,其中 YOLOv8l 模型的平均精度最高(63.6%),而 YOLOv8n 模型在单个 CPU 上的推理时间只需 67.4 毫秒,并创建了 “使用 YOLOv8 应用程序进行骨折检测”,以协助外科医生解释 X 光图像中的骨折,降低误诊概率,并为骨折手术提供更多有用信息。
Apr, 2023
使用改进的 YOLOv8-AM 模型,结合注意力机制,通过对断骨检测的实验结果,证明了该模型在改进性能方面的先进性。
Feb, 2024
此综述系统地考察了 You Only Look Once(YOLO)目标检测算法从 YOLOv1 到最新发布的 YOLOv10 的发展进程。通过逆向时间顺序分析,研究探讨了 YOLO 算法带来的进步,从 YOLOv10 开始,逐步分析了 YOLOv9、YOLOv8 和后续版本在提高实时目标检测的速度、准确性和计算效率方面的贡献。该研究强调了 YOLO 在五个关键应用领域(汽车安全、医疗保健、工业制造、监视和农业)的革命性影响。通过详细描述每个版本的技术进步,本综述不仅记录了 YOLO 的演变,还讨论了早期版本中观察到的挑战和限制。这种演进标志着将 YOLO 与多模态、上下文感知和通用人工智能(AGI)系统相结合的路径,为下一个 YOLO 十年提供了重要的发展影响,对于 AI 驱动应用的未来发展具有重要意义。
Jun, 2024
本研究提出了 YOLO9tr,一种基于深度学习的新型轻量级目标检测模型,用于道路损坏检测,其在特征提取和注意力机制方面引入了部分注意力块,以提高在复杂情况下的检测性能,并通过多国的道路损坏图像数据集进行训练,扩展了损坏分类范围,并与 YOLO8、YOLO9 和 YOLO10 等先进模型相比具有更高的精度和推断速度,达到高达 136FPS 的帧率,适用于实时应用,该研究进一步验证了部分注意力块的有效性,突出了 YOLO9tr 在实时道路状况监测中的潜力,为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。
Jun, 2024
该论文提出了一种新颖的方法,结合 YOLO 和 Swin 以及新提出的模块,用于定位和分类腕部 X 射线图像中的骨病理,解决了精确定位骨病理和准确分类异常的挑战。
Aug, 2023
通过使用最新的 You Only Look Once (YOLO V7) 目标检测方法,该研究针对医学图像格式上的肾脏检测进行了训练和测试,通过在 878 名患有各种亚型的肾细胞癌(RCC)和 206 名正常肾脏患者中检索了 1084 名患者的 5657 张 MRI 扫描,观察最终模型的肯定预测值(PPV)、敏感性和平均精确度 (mAP)。
Feb, 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
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
本文提出了一种名为 Fast YOLO 的新框架,通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入,从而在保持性能的同时,在嵌入式设备上实现实时物体检测。实验结果表明,Fast YOLO 框架可以在平均 3.3 倍的速度加速下,将嵌入式系统上的检测性能提高到 18FPS。
Sep, 2017