目标跟踪

探索 CANN Graph 引擎的计算图编译优化策略：深度技术解读在 AI 计算架构中，CANN (Compute Architecture for Neural Networks) 处于承上启下的核心地位。而作为 CANN 架构的“灵魂”，graph 仓库承载了计算图的定义、解析、优化及序列化等关键任务。

CANN加速3D目标检测推理：点云处理与特征金字塔优化3D目标检测是计算机视觉中的重要任务，旨在从3D数据（如点云）中检测和定位物体。与2D目标检测相比，3D目标检测需要处理额外的空间维度，计算复杂度更高，对推理性能提出了更大挑战。3D目标检测在自动驾驶、机器人导航、AR/VR等领域有着广泛的应用。CANN针对3D目标检测推理推出了全面的优化方案，通过点云处理优化、特征金字塔优化和后处理加速，显著提升了3D目标检测的性能和精度。

数字识别与检测_YOLOv3_C3k2改进模型解析🔥 数字识别与检测是计算机视觉领域的重要研究方向，而YOLO系列算法更是目标检测领域的明星模型！今天我要给大家分享的是基于YOLOv3的C3k2改进模型，这个模型在保持高精度的同时，大幅提升了推理速度，简直是👍！传统的YOLOv3虽然效果不错，但在处理复杂场景时仍然存在一些问题，比如小目标检测效果不佳、计算量大等。而我们的C3k2改进模型通过引入创新的模块设计，完美解决了这些问题！🚀

YOLO-IOD：面向实时增量目标检测张世洲¹，吕学强¹，邢英慧¹*，吴启瑞¹，徐迪²，赵晨¹，张艳宁¹ ¹西北工业大学，中国 ²华为，中国 https://arxiv.org/pdf/2512.22973

目标检测咖啡果实成熟度检测：RetinaNet-X101模型实现咖啡果实成熟度检测是现代农业智能化的重要环节，准确识别咖啡果实的成熟状态对于提高咖啡品质和产量至关重要。今天，我要分享的是如何使用RetinaNet-X101模型实现咖啡果实成熟度的智能检测！🚀🍒

wfeqhfxz2588782

YOLOv8-BiFPN鸟巢目标检测与识别实战教程大家好！👋 今天我要给大家带来一个超实用的YOLOv8-BiFPN鸟巢目标检测与识别实战教程！🔥 鸟巢检测听起来是不是很酷？想象一下，我们用计算机视觉技术来识别和分析鸟类筑巢的位置和行为，这对于生态保护、鸟类研究都有着非常重要的意义！😉

TVMS视频管理平台 —— 多种目标跟踪模式在自动跟踪模式下，AI 相机识别到目标后，若目标连续 3 帧均稳定识别则开始目标自动跟踪；当 AI 相机有云台控制权限时，相机发送 PELCO-D 或LPP/ExPelcoD指令控制云台按照目标跟踪轨迹运动，直至目标丢失或相机失去云台控制权限。

没有不重的名么

Multiple Object Tracking as ID Prediction时间：2025会议：CVPR作者：Ruopeng Gao，Ji Qi，Limin Wang传统多目标跟踪方法在目标关联阶段严重依赖人工设计的启发式规则，难以适应复杂场景

【校园安全】YOLO11-C3k2-DBB实现校园安全行为识别与异常检测系统随着社会发展和科技进步，校园安全问题日益受到广泛关注。校园作为人员密集场所，其安全状况直接关系到广大师生的生命财产安全和教育教学活动的正常开展。近年来，校园安防系统不断升级，视频监控技术已成为校园安全管理的重要手段。然而，传统的视频监控系统主要依靠人工观察和事后分析，存在实时性差、主观性强、效率低下等问题，难以满足现代校园安防的需求。人员行为检测作为计算机视觉领域的重要研究方向，能够通过视频分析技术自动识别和判断人员的行为模式，实现对异常行为的实时监测和预警。在校园场景中，人员行为检测技术可以及时发现打架

RetinaNet与伪装目标检测：提升模型识别能力的实战指南在计算机视觉领域，目标检测一直是一个热门且充满挑战的研究方向。而伪装目标检测作为其中的难点，更是吸引了众多研究者的目光。本文将深入探讨RetinaNet模型在伪装目标检测中的应用，并结合实际案例分享提升模型识别能力的实战经验。

水下红色目标检测与定位实战：基于改进YOLOv8-Seg-GoldYOLO的实现【 ]目标检测专栏收录该内容 ]( “目标检测”)10 篇文章订阅专栏为了训练和评估我们的模型，我们构建了一个水下红色目标数据集，包含5000张图像，涵盖不同水深、光照条件和水质环境。数据集中的目标包括红色标志物、红色生物、红色设备等，尺寸从10×10像素到200×200像素不等。

工业纸板加工过程中的检测与识别_Cornernet_Hourglass104模型应用随着工业自动化和智能制造的快速发展，纸板作为包装行业的重要材料，其质量控制成为生产过程中的关键环节。传统纸板检测方法主要依靠人工目检，存在效率低下、主观性强、易疲劳等问题，难以满足现代工业生产对高效率和高质量的要求。计算机视觉技术的出现为目标检测提供了新的解决方案，然而纸板检测面临着诸多挑战，如纸板表面纹理复杂、缺陷形态多样、光照条件变化等因素，导致现有目标检测算法在纸板检测任务中表现不佳。深度学习技术的进步为目标检测领域带来了革命性的变化，特别是卷积神经网络（CNN）的发展，使得目标检测精度得到了显著提

指纹过滤器缺陷检测与分类 —— 基于MS-RCNN_X101-64x4d_FPN_1x_COCO模型的实现与分析_1YOLO（You Only Look Once）系列目标检测模型一直是计算机视觉领域的宠儿！从最初的v1版本到最新的v13，每一代都带来了令人惊叹的创新和突破。今天，我们就来深入探讨YOLO家族的进化史，看看它是如何一步步成为目标检测界的“顶流”🔥！

Coovally AI模型快速验证

“看起来像世界”≠“真世界”！WorldLens全维度解构自动驾驶世界模型近年来，随着生成式AI技术的突破，世界模型（World Models）已成为自动驾驶与具身智能领域的核心研究方向。从文本直接生成驾驶视频，到可控的4D动态场景合成，当前模型已经能够产出视觉上足以“以假乱真”的驾驶画面。

【工业场景】用YOLOv26实现桥梁检测本文以YOLOv26为基础，设计研究了基于YOLOv26的桥梁识别任务，提取不同分辨率的遥感影像中的桥梁自动，包含完整数据介绍、训练过程和测试结果全流程。

YOLO13-C3k2-ConverseB改进：CCTV监控场景下车辆目标检测详解目标检测作为计算机视觉的核心任务之一，近年来发展迅猛。本文将带您全面了解主流目标检测模型，从经典的YOLO系列到最新的算法创新，帮助您快速掌握这一领域的核心知识。

【赫兹威客】浩哥

基于 YOLO 多版本模型的路面缺陷识别实践与分析路面裂缝、坑槽、松散等常见缺陷的及时识别，是道路养护工作的核心环节，直接关系到道路通行安全与养护效率。传统人工检测方式不仅耗时耗力、主观性强，还难以适应大规模道路巡检的实际需求。随着深度学习目标检测技术的发展，YOLO 系列模型凭借端到端检测、速度快、精度高的优势，成为路面缺陷识别的优选方案。为探究不同版本 YOLO 模型在路面缺陷检测任务中的适配性，本次实验基于自建路面缺陷识别数据集，完成 YOLOv5、YOLOv8、YOLOv11、YOLOv12、YOLOv26 多版本模型的训练与性能对比，为路面缺陷

无人装备硬件开发爱好者

RV1126B 边缘端 AI 实战：YOLOv8+DNTR 微小目标跟踪监测全栈实现 1从基础概念到工程落地，全维度解析 RV1126B 平台基于 YOLOv8+DNTR 的微小目标跟踪监测系统开发，兼顾原理深度与实操性，适配嵌入式开发工程师、AI 算法工程师、边缘端开发爱好者，内容核心知识点通过表格梳理，数学推导层层递进，代码逐行注释，移植步骤可直接复现。

卷烟爆珠气泡缺陷检测与分类_YOLO11创新点改进_C3k2与MLCA模块融合结构研究_1卷烟爆珠作为一种特殊的产品形式，在提升吸烟体验的同时也面临着质量控制的重要挑战。爆珠中的气泡缺陷直接影响产品的外观质量和消费者体验，因此开发高效的缺陷检测系统具有重要意义！

【工业场景】用YOLOv26实现8种道路隐患检测本文以YOLOv26为基础，设计研究了基于YOLOv26的道路隐患识别任务（包含道路裂缝、井盖、修补裂缝等8类隐患），自动提取影像中的道路隐患，包含完整数据介绍、训练过程和测试结果全流程。