yolo

[C++]使用纯opencv部署yolov12目标检测onnx模型yolov12官方框架：sunsmarterjie/yolov12【算法介绍】在C++中使用纯OpenCV部署YOLOv12进行目标检测是一项具有挑战性的任务，因为YOLOv12通常是用PyTorch等深度学习框架实现的，而OpenCV本身并不直接支持加载和运行PyTorch模型。然而，你可以通过一些间接的方法来实现这一目标，比如将PyTorch模型转换为ONNX格式，然后使用OpenCV的DNN模块加载ONNX模型。

倒霉蛋小马

【YOLOv8】损失函数学习视频：yolov8 | 损失函数之 5、类别损失_哔哩哔哩_bilibiliyolov8 | 损失函数之 6、定位损失 CIoU + DFL_哔哩哔哩_bilibili

红色的山茶花

YOLOv11-ultralytics-8.3.67部分代码阅读笔记-build.pyultralytics\data\build.py目录build.py1.所需的库和模块2.class InfiniteDataLoader(dataloader.DataLoader):

目标检测之YOLO论文简读YOLOV1是YOLO系列的开篇之作。系统后续有许多版本都是针对前一版本的改进，进而可以学到大佬们是怎么思考的。

如何在C++中使用YOLO模型进行目标检测《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~ 三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】，持续更新中~~ 六、YOLO性能对比专栏【链接】，持续更新中~

动态蛇形卷积在YOLOv8中的探索与实践：提高目标识别与定位精度YOLO系列（You Only Look Once）自推出以来，已经成为目标检测领域中的一项标杆技术。随着每个版本的更新，YOLO不断优化其网络结构与性能，其中YOLOv8在许多任务中展现了非常出色的性能。但尽管如此，YOLOv8仍有进一步提升空间，尤其是在卷积层的设计上。本文将探讨如何通过引入一种新的卷积方式——动态蛇形卷积（Dynamic Snake Convolution）来进一步提升YOLOv8的目标检测效果。

Luckfox Pico Max运行RKNN-Toolkit2中的Yolov5 adb USB仿真1：下载rknn-toolkit2git clone https://github.com/rockchip-linux/rknn-toolkit2

红色的山茶花

YOLOv11-ultralytics-8.3.67部分代码阅读笔记-augment.pyultralytics\data\augment.py目录augment.py1.所需的库和模块2.class BaseTransform:

我是一个对称矩阵

YOLOv5-Seg 深度解析：与 YOLOv5 检测模型的区别YOLOv5 是一个强大的目标检测框架，而 YOLOv5-Seg 是其扩展版本，增加了实例分割功能。在 YOLOv5-Seg 中，主要修改了 model.yaml 文件，增加了一个 segmentation 相关的输出：

python环境的yolov11.rknn物体检测2.1 yolov5模型的后期处理：然后：然后：输出不对：firefly@firefly:~/app/test$ python3 ./detect_rk3588.py This is main .... <class 'numpy.ndarray'> I rknn-toolkit2 version: 2.3.0 I target set by user is: rk3588 postprocess ... (1, 64, 80, 80) (1, 81, 80, 80) (1, 64, 40, 40) (1

数据集_深度学习

昆虫-目标检测数据集（包括VOC格式、YOLO格式）数据集信息介绍：共有 6009 张图像和一一对应的标注文件标注文件格式提供了两种，包括VOC格式的xml文件和YOLO格式的txt文件。

用自己的数据训练yolov11目标检测官网：https://github.com/ultralytics/ultralytics?tab=readme-ov-file 提示：以停车场空位检测公开数据集示例，可直接运行本人打包代码：百度云分享：ultralytics-8.3.2.zip 链接: https://pan.baidu.com/s/18f-9tsgajL46czn5PUcUsA?pwd=hjuk 提取码: hjuk

yolo11s rknn无法detect的bugfix - step by step上周四下班时，发现在宿主机环境工作良好的既有的pytorch模型，在通过.pt->.onnx->.rknn的转换后无法正常工作。周五下班时，怀疑疑点在两处：

pt-＞onnx-＞rknn(量化) step by step & FAQ文档修订中...这个转换是在yolov11的docker环境做的转换。非常简单。这个转换需要在rknn-toolkit2所在docker环境转换。这个过程中，注意事项有几个：

使用 YOLOv8 模型分析摄像头的图像在 Python 中使用 YOLOv8 模型分析摄像头的图像并进行分类。首先，你需要安装 ultralytics 库，它提供了 YOLOv8 的 Python API。可以使用以下命令进行安装：

在香橙派5 NPU上使用Yolov5【香橙派】使用NPU部署Yolov5的完整解决方案香橙派使用NPU部署Yolov5的完整解决方案 Orangepi 5 Pro(香橙派5pro)部署yolov5 RK3588实战：调用npu加速，yolov5识别图像、ffmpeg发送到rtmp服务器香橙派5 RK3588 yolov5模型转换rknn及部署踩坑全记录 orangepi 5

YOLOv11实战海洋动物图像识别本文采用YOLOv11作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的特征提取能力，在多个图像分类任务中展现出卓越性能。本研究针对5种海洋动物数据集进行训练和优化，该数据集包含丰富的海洋动物图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取海洋动物的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。

前网易架构师-高司机

木材表面缺陷检测数据集，支持YOLO+COCO JSON+PASICAL VOC XML+DARKNET格式标注信息，平均正确识别率95.0%木材表面缺陷检测数据集是用于训练和验证人工智能算法，以帮助自动识别和检测木材表面的缺陷，如裂纹、疤痕、孔洞等。这对于木材行业非常重要，可以提高生产过程的效率和质量控制水平。

深度卷积神经网络实战海洋动物图像识别本文采用深度卷积神经网络作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv11以其高效的特征提取能力，在多个图像分类任务中展现出卓越性能。本研究针对5种海洋动物数据集进行训练和优化，该数据集包含丰富的海洋动物图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取海洋动物的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。

基于YoloV11和驱动级鼠标模拟实现Ai自瞄本文将围绕基于 YoloV11 和驱动级鼠标实现 FPS 游戏 AI 自瞄展开阐述。需要着重强调的是，本文内容仅用于学术研究和技术学习目的。严禁任何个人或组织将文中所提及的技术、方法及思路应用于违法行为，包括但不限于在各类游戏中实施作弊等违规操作。若因违反此声明而产生的一切法律后果，均与本文作者无关。