登录社区云，与社区用户共同成长
邀请您加入社区
在本博客中，我们深入探讨了基于YOLOv8/v7/v6/v5的商品识别系统，其中核心技术基于YOLOv8。我们全面回顾了国内外在商品识别领域的研究进展，详细介绍了数据集的处理方法、YOLO算法的核心原理、模型构建过程以及训练策略。特别地，本文还展示了如何设计一个基于Streamlit的交互式Web应用界面，该界面不仅支持图像和视频识别，还可以接入实时摄像头进行商品识别。本博客附带了完整的Web界面
传统的两阶段检测器，如Faster R-CNN，已经在准确性和性能方面取得了显著进展。最新的一阶段检测器，如YOLOv4和EfficientDet，在准确性和速度上都有所提高，适用于实时应用。：实例分割是语义分割的进一步扩展，它不仅对每个像素进行类别标记，还对同一类别中的不同实例进行区分。：跨域分割任务旨在将一个领域的训练模型应用于另一个领域，例如将城市景观的分割模型应用于农村景观。这些进展推动了
这里写自定义目录标题应用背景思路区域入侵代码应用背景目标检测应用落地时，经常会有区域入侵的判断需求，本文主要记录一种简单高效的判断方法。不过区域划分目前只能是矩形，还不支持不规则区域。思路判断目标框是否与矩形区域有重叠。区域入侵代码代码片.#include<iostream>#include<cmath>using namespace std;typedef struct
1. 多尺度锚框2. SSD Single shot detection 单发多框检测 实现num_classes + 1表示分类数 + 背景数channel先挪到最后bbox_masks 表示如果是背景框的时候，是0，否则是1.只关心非背景的边框。3. Q&Anum_inputs 输入的通道数，num_anchors每个像素的锚框数。 w*h*num_anchors*(num_class
深度学习之目标检测通用技巧。
本文深入研究了基于YOLOv8/v7/v6/v5的水下目标检测系统，核心采用YOLOv8并整合了YOLOv7、YOLOv6、YOLOv5算法，进行性能指标对比；详述了国内外研究现状、数据集处理、算法原理、模型构建与训练代码，及基于Streamlit的交互式Web应用界面设计。在Web网页中可以支持图像、视频和实时摄像头进行水下目标检测，可上传不同训练模型（YOLOv8/v7/v6/v5）进行推理预
本项目基于CCPD数据集和LPR（License Plate Recognition，车牌识别）模型，结合深度学习和目标检测等先进技术，构建了一个全面的车牌识别系统，实现了从车牌检测到字符识别的端到端解决方案。
【目标检测】01-物体检测基础知识&模型评价指标-深度学习pytorch之物体检测实战-学习笔记
打开浏览器访问 http://localhost:8080/ ，建立一个新项目。此时不要着急save，需要先点击后面的Labeling Setup连接第一步的目标检测服务。看到如下 Connected 就说明后端推理服务添加成功。在mmdetection文件夹中，执行。另开一个terminal，执行。
