ultralytics

yolov8目标检测如何设置背景/无标签图像参与训练在开发深度学习模型的时候，总有一些图像会造成误检，这时候就需要将这些误检的图像不进行标注加入训练，让模型知道这里是一个不需要检测的“背景”，减少模型的误检率。而在网上搜了一大堆之后，发现并没有单独介绍这方面的文章，因此在这里做一个简单的文章进行介绍。

Mac YOLO V9推理测试（基于ultralytics）环境：Mac M1 (MacOS Sonoma 14.3.1)Python 3.11+PyTorch 2.1.2

ntr亚丝娜（我永远喜欢千花书记）

yolov5-pytorch-Ultralytics训练+预测+报错处理记录玩一段时间大模型，也该回归一下图像识别。本项目用于记录使用基于Ultralytics的yolov5进行目标检测测试。为什么用Ultralytics呢？答案有3 1、其良好的生态，方便我们部署到其它语言和设备上。因此本次测试结论：大坑没有，小坑不断~ 2、对新手极度友好，只要装好依赖，按官方教程就可以运行起来。甚至export.py集成权重文件的各种转换功能比如：转ONNX文件！！ 3.其对自定义数据集要求低，训练难度大减。当我们制作训练集时无需考虑吧图片压缩切割到成512x512或者640x640。只管找

钱彬 (Qian Bin)

基于YOLOv8算法的照片角度分类项目实践最近一个项目，需要针对库存的车辆照片运用人工智能算法进行照片朝向分类和矫正，算法在设计时需要满足轻量化需求，适合在CPU环境中进行快速推理。在具体实现时，可以将照片分为4个类别：ni_0、ni_90、ni_180、ni_270，分别表示照片经过0度、90度、180度、270度逆向旋转。综和考虑算法精度和速度要求，本文拟采用YOLOv8算法来实现该任务。