YOLO_Online 将深度学习最火的目标检测做成在线服务实战经验分享

最新推荐文章于 2024-04-21 19:40:32 发布
最新推荐文章于 2024-04-21 19:40:32 发布
阅读量3.7k 收藏 10
点赞数 1

部分 YOLO 结果：

YOLO_Online 将深度学习最火的目标检测做成在线服务

第一次接触 YOLO 这个目标检测项目的时候，我就在想，怎么样能够封装一下让普通人也能够体验深度学习最火的目标检测项目，不需要关注技术细节，不需要装很多软件。只需要网页就能体验呢。

在踩了很多坑之后，终于实现了。

效果：

1.上传文件

2.选择了一张很多狗的图片

3.YOLO 一下

技术实现

  1. web 用了 Django 来做界面，就是上传文件，保存文件这个功能。
  2. YOLO 的实现用的是 keras-yolo3，直接导入yolo 官方的权重即可。
  3. YOLO 和 web 的交互最后使用的是 socket。

坑1：

Django 中 Keras 初始化会有 bug，原计划是直接在 Django 里面用 keras，后来发现坑实在是太深了。

最后 Django 是负责拿文件，然后用 socket 把文件名传给 yolo。

坑2：

说好的在线服务，为什么没有上线呢？买了腾讯云 1 CPU 2 G 内存，部署的时候发现 keras 根本起不来，直接被 Killed 。

解决，并没有解决，因为买不起更好地服务器了，只好本地运行然后截图了。

坑3：

YOLO 的识别是需要一定的时间的，做成 web 的服务，上传完文件之后，并不能马上识别出来，有一定的延迟。

相关教程：

TensorFlow + Keras 实战 YOLO v3 目标检测图文并茂教程

https://zhuanlan.zhihu.com/p/36152438

YOLO QQ 群

群号:167122861

计算机视觉项目合作微信：voicer008

 

特色分类未分类、目标检测YOLO_Online 将深度学习最火的目标检测做成在线服务实战经验分享有7条评论

awesome-object-detection 目标检测资源合集

awesome-object-detection 目标检测资源合集

awesome-object-detection

Awesome Object Detection based on handong1587 github（https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html）

Papers&Codes

R-CNN

Rich feature hierarchies for accurate object detection and semantic segmentation

Fast R-CNN

Fast R-CNN

A-Fast-RCNN: Hard Positive Generation via Adversary for Object Detection

Faster R-CNN

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

R-CNN minus R

Faster R-CNN in MXNet with distributed implementation and data parallelization

Contextual Priming and Feedback for Faster R-CNN

An Implementation of Faster RCNN with Study for Region Sampling

Interpretable R-CNN

Light-Head R-CNN

Light-Head R-CNN: In Defense of Two-Stage Object Detector

Cascade R-CNN

Cascade R-CNN: Delving into High Quality Object Detection

SPP-Net

Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition

DeepID-Net: Deformable Deep Convolutional Neural Networks for Object Detection

Object Detectors Emerge in Deep Scene CNNs

segDeepM: Exploiting Segmentation and Context in Deep Neural Networks for Object Detection

Object Detection Networks on Convolutional Feature Maps

Improving Object Detection with Deep Convolutional Networks via Bayesian Optimization and Structured Prediction

DeepBox: Learning Objectness with Convolutional Networks

YOLO

You Only Look Once: Unified, Real-Time Object Detection

img

darkflow – translate darknet to tensorflow. Load trained weights, retrain/fine-tune them using tensorflow, export constant graph def to C++

Start Training YOLO with Our Own Data

img

YOLO: Core ML versus MPSNNGraph

TensorFlow YOLO object detection on Android

Computer Vision in iOS – Object Detection

YOLOv2

YOLO9000: Better, Faster, Stronger

darknet_scripts

Yolo_mark: GUI for marking bounded boxes of objects in images for training Yolo v2

LightNet: Bringing pjreddie’s DarkNet out of the shadows

https://github.com//explosion/lightnet

YOLO v2 Bounding Box Tool

Loss Rank Mining: A General Hard Example Mining Method for Real-time Detectors

  • intro: LRM is the first hard example mining strategy which could fit YOLOv2 perfectly and make it better applied in series of real scenarios where both real-time rates and accurate detection are strongly demanded.

     

  • arxiv: https://arxiv.org/abs/1804.04606

YOLOv3

YOLOv3: An Incremental Improvement

  • arxiv:https://arxiv.org/abs/1804.02767
  • paper:https://pjreddie.com/media/files/papers/YOLOv3.pdf
  • code: https://pjreddie.com/darknet/yolo/
  • github(Official):https://github.com/pjreddie/darknet
  • github:https://github.com/experiencor/keras-yolo3
  • github:https://github.com/qqwweee/keras-yolo3
  • github:https://github.com/marvis/pytorch-yolo3
  • github:https://github.com/ayooshkathuria/pytorch-yolo-v3
  • github:https://github.com/ayooshkathuria/YOLO_v3_tutorial_from_scratch

SSD

SSD: Single Shot MultiBox Detector

img

What’s the diffience in performance between this new code you pushed and the previous code? #327

https://github.com/weiliu89/caffe/issues/327

DSSD

DSSD : Deconvolutional Single Shot Detector

Enhancement of SSD by concatenating feature maps for object detection

Context-aware Single-Shot Detector

Feature-Fused SSD: Fast Detection for Small Objects

https://arxiv.org/abs/1709.05054

FSSD

FSSD: Feature Fusion Single Shot Multibox Detector

https://arxiv.org/abs/1712.00960

Weaving Multi-scale Context for Single Shot Detector

ESSD

Extend the shallow part of Single Shot MultiBox Detector via Convolutional Neural Network

https://arxiv.org/abs/1801.05918

Tiny SSD: A Tiny Single-shot Detection Deep Convolutional Neural Network for Real-time Embedded Object Detection

https://arxiv.org/abs/1802.06488

Pelee

Pelee: A Real-Time Object Detection System on Mobile Devices

https://github.com/Robert-JunWang/Pelee

  • intro: (ICLR 2018 workshop track)

     

  • arxiv: https://arxiv.org/abs/1804.06882

  • github: https://github.com/Robert-JunWang/Pelee

R-FCN

R-FCN: Object Detection via Region-based Fully Convolutional Networks

R-FCN-3000 at 30fps: Decoupling Detection and Classification

https://arxiv.org/abs/1712.01802

Recycle deep features for better object detection

FPN

Feature Pyramid Networks for Object Detection

Action-Driven Object Detection with Top-Down Visual Attentions

Beyond Skip Connections: Top-Down Modulation for Object Detection

Wide-Residual-Inception Networks for Real-time Object Detection

Attentional Network for Visual Object Detection

Learning Chained Deep Features and Classifiers for Cascade in Object Detection

DeNet: Scalable Real-time Object Detection with Directed Sparse Sampling

Discriminative Bimodal Networks for Visual Localization and Detection with Natural Language Queries

Spatial Memory for Context Reasoning in Object Detection

Accurate Single Stage Detector Using Recurrent Rolling Convolution

Deep Occlusion Reasoning for Multi-Camera Multi-Target Detection

https://arxiv.org/abs/1704.05775

LCDet: Low-Complexity Fully-Convolutional Neural Networks for Object Detection in Embedded Systems

Point Linking Network for Object Detection

Perceptual Generative Adversarial Networks for Small Object Detection

https://arxiv.org/abs/1706.05274

Few-shot Object Detection

https://arxiv.org/abs/1706.08249

Yes-Net: An effective Detector Based on Global Information

https://arxiv.org/abs/1706.09180

SMC Faster R-CNN: Toward a scene-specialized multi-object detector

https://arxiv.org/abs/1706.10217

Towards lightweight convolutional neural networks for object detection

https://arxiv.org/abs/1707.01395

RON: Reverse Connection with Objectness Prior Networks for Object Detection

Mimicking Very Efficient Network for Object Detection

Residual Features and Unified Prediction Network for Single Stage Detection

https://arxiv.org/abs/1707.05031

Deformable Part-based Fully Convolutional Network for Object Detection

Adaptive Feeding: Achieving Fast and Accurate Detections by Adaptively Combining Object Detectors

Recurrent Scale Approximation for Object Detection in CNN

DSOD

DSOD: Learning Deeply Supervised Object Detectors from Scratch

img

Learning Object Detectors from Scratch with Gated Recurrent Feature Pyramids

  • arxiv:https://arxiv.org/abs/1712.00886
  • github:https://github.com/szq0214/GRP-DSOD

RetinaNet

Focal Loss for Dense Object Detection

CoupleNet: Coupling Global Structure with Local Parts for Object Detection

Incremental Learning of Object Detectors without Catastrophic Forgetting

Zoom Out-and-In Network with Map Attention Decision for Region Proposal and Object Detection

https://arxiv.org/abs/1709.04347

StairNet: Top-Down Semantic Aggregation for Accurate One Shot Detection

https://arxiv.org/abs/1709.05788

Dynamic Zoom-in Network for Fast Object Detection in Large Images

https://arxiv.org/abs/1711.05187

Zero-Annotation Object Detection with Web Knowledge Transfer

MegDet

MegDet: A Large Mini-Batch Object Detector

Single-Shot Refinement Neural Network for Object Detection

Receptive Field Block Net for Accurate and Fast Object Detection

An Analysis of Scale Invariance in Object Detection – SNIP

Feature Selective Networks for Object Detection

https://arxiv.org/abs/1711.08879

Learning a Rotation Invariant Detector with Rotatable Bounding Box

Scalable Object Detection for Stylized Objects

Learning Object Detectors from Scratch with Gated Recurrent Feature Pyramids

Deep Regionlets for Object Detection

Training and Testing Object Detectors with Virtual Images

Large-Scale Object Discovery and Detector Adaptation from Unlabeled Video

  • keywords: object mining, object tracking, unsupervised object discovery by appearance-based clustering, self-supervised detector adaptation
  • arxiv: https://arxiv.org/abs/1712.08832

Spot the Difference by Object Detection

Localization-Aware Active Learning for Object Detection

Object Detection with Mask-based Feature Encoding

https://arxiv.org/abs/1802.03934

LSTD: A Low-Shot Transfer Detector for Object Detection

Domain Adaptive Faster R-CNN for Object Detection in the Wild

Pseudo Mask Augmented Object Detection

https://arxiv.org/abs/1803.05858

Revisiting RCNN: On Awakening the Classification Power of Faster RCNN

https://arxiv.org/abs/1803.06799

Zero-Shot Detection

Learning Region Features for Object Detection

Single-Shot Bidirectional Pyramid Networks for High-Quality Object Detection

Object Detection for Comics using Manga109 Annotations

Task-Driven Super Resolution: Object Detection in Low-resolution Images

https://arxiv.org/abs/1803.11316

Transferring Common-Sense Knowledge for Object Detection

https://arxiv.org/abs/1804.01077

Multi-scale Location-aware Kernel Representation for Object Detection

Loss Rank Mining: A General Hard Example Mining Method for Real-time Detectors

Robust Physical Adversarial Attack on Faster R-CNN Object Detector

https://arxiv.org/abs/1804.05810

DetNet

DetNet: A Backbone network for Object Detection

  • intro: Tsinghua University & Face++

     

  • arxiv: https://arxiv.org/abs/1804.06215

Other

Relation Network for Object Detection

  • intro: CVPR 2018
  • arxiv: https://arxiv.org/abs/1711.11575

Quantization Mimic: Towards Very Tiny CNN for Object Detection

  • Tsinghua University1 & The Chinese University of Hong Kong2 &SenseTime3

     

  • arxiv: https://arxiv.org/abs/1805.02152

项目地址：https://github.com/amusi/awesome-object-detection

发布于2018年5月14日分类目标检测于awesome-object-detection 目标检测资源合集留下评论

谷歌发布 Open Images V4数据集，190万张图片开启公开图像挑战赛

谷歌发布 Open Images V4数据集，190万张图片开启公开图像挑战赛

4 月 30 日，谷歌在其官方博客上发文称将开放 Images V4 数据库，并同时开启 ECCV 2018 公开图像挑战赛。雷锋网编译全文如下：
2016 年，我们发布了一个包含大约 900 万张图片、标注了数千个对象类别标签的数据集 Open Images。发布之后，我们一直在努力更新和改进数据集，以便为计算机视觉社区提供有用的资源来开发新模型。
今天，我们很高兴地宣布开放 Open Images V4，它包含在 190 万张图片上针对 600 个类别的 1540 万个边框盒，这也是现有最大的具有对象位置注释的数据集。这些边框盒大部分都是由专业注释人员手动绘制的，确保了它们的准确性和一致性。另外，这些图像是非常多样化的，并且通常包含有多个对象的复杂场景（平均每个图像 8 个）。

与此同时，我们还将宣布启动 Open Images 挑战赛，这将是在 2018 计算机视觉欧洲会议（ECCV 2018）上举办的一场新的对象检测挑战赛。Open Images 挑战赛将遵循 PASCAL VOC、ImageNet 和 COCO 等赛事的传统，但是其规模将是空前的。

Open Images 挑战赛在一下这几个方面将是独一无二的：

有 170 万张训练图片，其中有 500 个类别和 1220 万个边框注释；

与以前的检测挑战相比，将有更广泛的类别，包括诸如「fedora」、「snowman」等这样的新对象；

除了主流的物体检测外，本次挑战赛中在检测物体对时还将包括视觉关系检测，例如「woman playing guitar」。

训练数据集现在已经可以使用；一个包含有 10 万张图片的测试集将于 2018 年 7 月 1 日发布在 Kaggle 上。挑战赛提交结果的截止日期为 2018 年 9 月 1 日。

我们希望更大的训练集能够刺激对更复杂检测模型的研究，这些模型将超过当前 state-of-the-art 的性能；而从另一方面，我们希望 500 个类别能够更精确地评估不同探测器在哪些方面表现的更好。此外，拥有大量带有多个对象标注的图像，可以帮组你探索视觉关系检测，这还是一个热门的新兴话题，而且具有越来越多的子社区。

除了上述内容外，Open Images V4 还包含了 3010 万张经过人工验证的针对 19794 个类别图像级标签的图片。当然这些标签不属于挑战赛的一部分，其中的 550 万张图像级标签是由来自世界各地成千上万名用户通过 crowdsource.google.com 生成的。

原文链接：https://www.leiphone.com/news/201805/AlOdBu0uXZY0ZVT9.html

发布于2018年5月1日分类未分类、目标检测于谷歌发布 Open Images V4数据集，190万张图片开启公开图像挑战赛留下评论

TensorFlow + Keras 实战 YOLO v3 目标检测图文并茂教程

TensorFlow + Keras 实战 YOLO v3 目标检测图文并茂教程

运行步骤
1.从 YOLO 官网下载 YOLOv3 权重

wget https://pjreddie.com/media/files/yolov3.weights

下载过程如图：

 

2.转换 Darknet YOLO 模型为 Keras 模型

python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5

转换过程如图：

3.运行YOLO 目标检测

python yolo.py

需要下载一个图片，然后输入图片的名称，如图所示：

我并没有使用经典的那张图，随便从网上找了一个，来源见图片水印：

识别效果：

项目地址：https://github.com/qqwweee/keras-yolo3

教程来自：http://objectdetection.cn/

发布于2018年4月23日分类未分类、目标检测TensorFlow + Keras 实战 YOLO v3 目标检测图文并茂教程有2条评论

Mask_RCNN：基于Keras and TensorFlow 的 Mask R-CNN 为 目标检测和情景分割

Mask_RCNN：基于Keras and TensorFlow 的 Mask R-CNN 为 目标检测和情景分割

Mask R-CNN for Object Detection and Segmentation

这是一个基于 Python 3, Keras, TensorFlow 实现的 Mask R-CNN。这个模型为图像中的每个对象实例生成边界框和分割掩码。它基于 Feature Pyramid Network (FPN) and a ResNet101 backbone.

这个项目包括包括：

在FPN和ResNet101上构建的Mask R-CNN的源代码。

MS COCO的训练代码

MS COCO 预先训练的权重

Jupyter notebooks 来可视化在每一个步骤的检测管道

用于多GPU训练的ParallelModel类

MS COCO指标评估（AP）

训练您自己的数据集的例子

代码被记录和设计为易于扩展。 如果您在研究中使用它，请考虑引用此项目。 如果您从事3D视觉工作，您可能会发现我们最近发布的Matterport3D数据集也很有用。 这个数据集是由我们的客户拍摄的三维重建空间创建的，这些客户同意将这些数据公开供学术使用。 你可以在这里看到更多的例子。

This is an implementation of Mask R-CNN on Python 3, Keras, and TensorFlow. The model generates bounding boxes and segmentation masks for each instance of an object in the image. It’s based on Feature Pyramid Network (FPN) and a ResNet101 backbone.

The repository includes:

  • Source code of Mask R-CNN built on FPN and ResNet101.
  • Training code for MS COCO
  • Pre-trained weights for MS COCO
  • Jupyter notebooks to visualize the detection pipeline at every step
  • ParallelModel class for multi-GPU training
  • Evaluation on MS COCO metrics (AP)
  • Example of training on your own dataset

The code is documented and designed to be easy to extend. If you use it in your research, please consider referencing this repository. If you work on 3D vision, you might find our recently released Matterport3D dataset useful as well. This dataset was created from 3D-reconstructed spaces captured by our customers who agreed to make them publicly available for academic use. You can see more examples here.

项目地址：matterport/Mask_RCNN

https://github.com/matterport/Mask_RCNN

发布于2018年4月22日分类未分类、目标检测于Mask_RCNN：基于Keras and TensorFlow 的 Mask R-CNN 为 目标检测和情景分割留下评论

YOLO：3 步实时目标检测安装运行教程

YOLO：3 步实时目标检测安装运行教程

封面图是作者运行图，我在 ubuntu 环境下只有文字预测结果。

Detection Using A Pre-Trained Model

使用训练好的模型来检测物体

运行一下命令来下载和编译模型

git clone https://github.com/pjreddie/darknet
cd darknet
make

运行一下模型来下载预训练权重

wget https://pjreddie.com/media/files/yolo.weights

运行以下命令来测试模型

./darknet detect cfg/yolo.cfg yolo.weights data/dog.jpg

最终结果截图

英文原文

https://pjreddie.com/darknet/yolo/

转载http://objectdetection.cn/

MetaSmiles
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
pytorch_image_classifier_深度学习_yolo_图像识别_
10-02
YOLO是一种实时的目标检测系统，它的核心思想是将图像分割为多个网格，并预测每个网格内的对象类别和边界框。YOLO的优势在于其速度和准确性之间的平衡，使其成为实时应用的理想选择。在昆虫识别项目中，YOLO可以帮助...
yolov5_web_图片在线识别
qiaoyurensheng的博客
05-24 1942
yolov5 图片在线检测使用 docker 部署
yolov5在线检测目标检测网页实时识别python目标检测flask
babyai996的博客
04-02 3600
yolov5在线检测目标检测网页实时识别python目标检测flask yolov5在线检测目标检测网页实时识别python目标检测flask_哔哩哔哩_bilibili
YOLOv8-目标检测实战，训练自己的数据集（提供数据集）
最新发布
SHY0978的博客
04-21 1941
YOLOv8目标检测实战---含数据集
几个免费的在线目标检测网站
laozaoxiaowanzi的博客
05-13 5785
老师最近布置了一个作业是找一些免费的在线目标检测网站，然后室友同学找了一天没找到，我也没有，哈哈哈。本来觉得这个作业完成不了了。 然后试探性的问了下我研究nlp的高中同学，不愧是学霸，下午问的，晚上就给我找了两个。 1.https://www.studiodiip.com/2019/12/12/studio-diip-presents-computer-vision-demo/ 这个网站可以直接打开用 效果： 2.http://i-learn-machine-learning.science/
目标检测实用网站
m0_60534571的博客
04-13 535
目标检测实用网站
手把手教你用yolov5训练一个王者荣耀目标检测（最新详细教程）
NangoGreen的博客
05-25 2738
需要注意的是，这里的视频路径和保存路径需要自己设置，每一级目录要用反斜杠隔开，并且路径中均不能有中文命名，不然会找不到所转换的图片，这里设置的是每10帧取一张图片，读者也可以根据需要自行设置，后面的代码无需更改。下面在文件夹中打开data文件夹，将voc.yaml复制一个副本，命名为自己需要的名字，这里我命名为libai.yaml，在pycharm中打开这个副本，把下图的第10行注释掉（这里我已经注释了），然后相应的训练集和验证集的路径改成我们上一步生成的train和val的绝对路径。2.GPU显存溢出。
深度学习领域YOLO V5目标检测口罩检测
05-27
深度学习领域YOLO V5目标检测口罩检测，用于口罩面部识别。包含源码和数据集，python语言，可以作为参考。主页有更多源码。
YOLO1.2.21_目标检测_机器学习_计算机视觉_YOLO目标_yolov1_
10-01
YOLO的目标检测方法与其他两阶段的检测系统（如R-CNN系列）不同，后者先生成候选区域再进行分类。YOLO直接在整张图像上预测边界框和类别概率，这一步骤称为“一次看”（Look Once），这也是YOLO名字的由来。这种一...
YOLO_tensorflow-master.zip_CNN预测_yolo目标检测_图片检测_目标检测 CNN_目标检测yolo
07-14
Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个系统如图5所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN算法，其是一个统一的框架，其速度...
【目标检测算法】利用Colab在线训练YOLO-V5
三木今天学习了嘛の博客
09-06 2360
【目标检测算法】利用Colab训练YOLO-V5
04训练——基于YOLO V8的自定义数据集训练——使用免费在线GPU资源
raozhongbo的博客
08-23 3612
Colab 是一个由 Google Research 团队开发的在线平台，可以让你在浏览器中编写和运行 Python 代码，无需任何配置，免费使用 GPU 和 TPU，还可以方便地与其他人共享你的工作。Google Colab 适合进行机器学习、数据分析和教育等目的。其主要特点有：• 零配置：你只需要一个 Google 账号和一个浏览器，就可以开始使用 Google Colab，无需安装任何软件或硬件。
YOLO v5 实现目标检测
热门推荐
weixin_41258131的博客
10-29 1万+
yolov5 的环境配置、运行与训练过程及其中可能出现的问题与解决办法。
在线目标检测网站
weixin_42456051的博客
05-14 2989
1、 https://ai.qq.com/product/visionimgidy.shtml#scene 登录网站后，选择多标签识别，点击本地上传，上传图片，右侧会出现结果，测试效果如下图。   2、 https://ai.baidu.com/tech/imagerecognition/object_detect 登录网站后，选择图像多主体检测，点击本地上传，上传图片，在图片右侧会出现多个主体，可以查看对不同主体的识别，测试效果如下图。 3、 https://www.studiodiip.com/
TensorFlow+Django实现在线目标检测系统
huangzhaoyu123的博客
03-02 9737
***TensorFlow+Django***实现目标检测系统 第一次写博文，觉得不好大家多担待，其实一开始我也没想要做这个项目的demo，开始我只是做了基于官网提供的模型的tensorflow的目标识别demo，自己在本机把代码梳理实现了对输入图像的目标检测(窃喜，自我感觉良好)，然后我就想把这个demo给小伙伴们看看效果，然后开始我项目过程了。 第一部分 识别算法部分 直接给代码，导入项目需要...
在线目标检测网站_网站安全怎么做？随免费你安装这七个安全软件即可！
weixin_39729784的博客
12-01 660
webshell是一种可以在web服务器上执行后台脚本或者命令的后门，黑客通过入侵网站上传webshell后获得服务器的执行操作权限，比如执行系统命令、窃取用户数据、删除web页面、修改主页等，其危害不言而喻。而WebShell扫描检测工具可辅助查出该后门。WebShell扫描工具适用网上下载的源码特定文件检测是否是木马检测目标程序或文件是否存在后门免杀检测识别率测试D盾 防火墙阿D出品，免费，G...
在web端实现基于yolov7的实时目标检测
daihaoguang的博客
12-10 444
本篇文章将介绍如何在web端实现基于yolov7的实时目标检测任务。内容主要包括1）项目的介绍，2）https服务的构建，3）手机端的调试。
yolo目标检测实战
arvinChen的博客
03-01 344
关于数据如何标注，请查看这篇。
YOLO：深度学习的目标检测框架
"YOLO(You Only Look Once)是一种深度学习模型，用于图像目标检测，尤其适合于视频处理。相对于RCNN、Fast RCNN和Faster RCNN等其他模型，YOLO通过端到端的训练和测试提高了效率，解决了无法实时处理视频的目标检测...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值