ultralytics

微尘hjx10 天前
yolo·目标检测·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计
【Deep-OC-SORT 06】多轨迹算法Deep-OC-SORT-CMC相机运动补偿Deep-OC-SORT 的第二个通道:每帧估计相机自身的运动,把全体轨迹的参考坐标搬到新相机坐标系下,再走正常的预测-关联流程。代码位置:deep_ocsort/cmc.py(估计器)、deep_ocsort/ocsort.py(调用与轨迹搬移)、deep_ocsort/kalmanfilter.py(KF 状态搬移)。
微尘hjx14 天前
深度学习·yolo·目标跟踪·ultralytics·轨迹算法·deep-oc-sort·车流统计
【Deep-OC-SORT 01】多轨迹算法Deep-OC-SORT源码分析覆盖 deep_ocsort/ 核心包(移植自 Deep-OC-SORT-main 的 integrated_ocsort_embedding 变体)中本工程实际使用的类、方法与模块级函数——源码里未被调用的 filterpy 遗留方法与预留接口不列入。分析以本工程实际代码为准。
微尘hjx15 天前
人工智能·算法·yolo·目标跟踪·视觉检测·ultralytics·deep-oc-sort
【Deep-OC-SORT 02】多轨迹算法Deep-OC-SORT-相对 OC-SORT 的改进点Deep-OC-SORT = OC-SORT 的"以观测为中心"骨架 + 五个叠加改进。本文逐项对照两版源码讲清每个改进改了什么、为什么、在代码哪里、怎么开关。骨架三机制:ORU——漏检时冻结滤波参数,找回后在最后两个真实观测间线性插值出虚拟轨迹逐帧重放,把滤波参数恢复到与真实轨迹一致;OCR——找回轮用最近真实观测框而非漂移的预测框做二次关联;VDC——关联代价中加入速度方向一致性项,同向加分、反向减分。本文只讲五个叠加改进,骨架机制在改进中的参与随文说明。
微尘hjx15 天前
算法·yolo·目标跟踪·ultralytics·车跟踪·轨迹算法·deep-oc-sort
【Deep-OC-SORT 03】多轨迹算法Deep-OC-SORT-卡尔曼滤波预测过程Deep-OC-SORT 的每条轨迹由一个卡尔曼滤波器驱动:预测(predict)外推目标运动,修正(update)用检测框拉回。滤波器有两种规格:
微尘hjx21 天前
算法·yolo·目标检测·目标跟踪·bytetrack·ultralytics·车跟踪
【ByteTrack 04】多轨迹算法ByteTrack改进点目标:只改进轨迹算法(bytetrack/ 核心代码),检测器不是目标。 测试视频与场景对应:dense.mp4(密集交叉)、turn.mp4(转弯减速)。
微尘hjx22 天前
人工智能·算法·yolo·视觉检测·ultralytics·strongsort·轨迹算法
【StrongSort 03】多轨迹算法StrongSort改进点StrongSORT(论文 StrongSORT: Make DeepSORT Great Again)在 DeepSORT 基础上提出的四项在线改进 + 一项相机运动补偿。本工程全部实现为可开关参数,五项统一默认开启(测试脚本加对应 --no-nsa / --no-ema / --no-mc / --no-wo-c / --no-ecc 关闭)。全部改进都在线逐帧完成,无离线后处理(原版 StrongSORT 的 AFLink、GSI 未引入)。
微尘hjx22 天前
人工智能·yolo·目标跟踪·视觉检测·deepsort·ultralytics·车跟踪
【AI视觉软件 03】基于 Ultralytics + DeepSORT 的多目标跟踪与改进(支持YOLO全系列,重点车跟踪)车流统计是智能交通分析的基础,流量、流速、行驶轨迹都建立在"每辆车被持续稳定跟住"之上,这一步就是多目标跟踪(MOT),业界通用方案是"检测器 + 跟踪器"两段式。两段式里有一条经典路线 DeepSORT:只保留高置信度检测框,给每个框提取外观特征(ReID),靠"运动预测 + 外观相似度"把前后帧的目标关联起来。本项目重点跟的是车——而 DeepSORT 是在行人数据集上设计调参的(外观模型直接用行人重识别权重),车辆场景的车流密集交叉、转弯减速、遮挡形态都与行人不同,直接套用会遇到车辆场景特有的问题。
2401_853448233 个月前
yolo·环境配置·ultralytics
YOLO开发环境搭建vscode下载- CSDN搜索有很多很详细的VSCode下载教程个人认为不同的项目下使用不同的python环境是很重要的
꧁执笔小白꧂4 个月前
yolo·venv·pyenv·ultralytics
详细pyenv+venv+pip安装ultralytics‌pyenv‌:第三方版本管理器,‌只管理Python解释器版本‌,能在一台机器上安装切换多个Python版本(如3.8、3.10、3.11),不修改系统原生Python。
Together_CZ5 个月前
ultralytics·end-to-end·unified·yolo26·real-time·统一的实时端到端视觉模型·vision models
Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models——统一的实时端到端视觉模型《Ultralytics YOLO26: Unified Real-Time End-to-End Vision Models》的核心内容是提出了新一代YOLO系列模型——YOLO26,旨在解决现有实时目标检测模型在推理效率、训练成本、小物体检测和开放词汇扩展等方面的关键局限性。
CV-deeplearning5 个月前
yolo·目标检测·计算机视觉·ultralytics·yolo26
YOLO26 正式发布!6 大任务一战封神,n 模型 mAP 40.9 跑 1.7ms,从检测到分割到姿态一条龙💡 目标检测选 YOLO,实例分割还是 YOLO,姿态估计也是 YOLO——Ultralytics 一手打造了 CV 界的"万能瑞士军刀"。YOLO26 全系模型已上线:5 档尺寸覆盖 n/s/m/l/x,目标检测、实例分割、语义分割、图像分类、姿态估计、旋转框检测 6 大任务一个框架全搞定。YOLO26n 检测 mAP 40.9、推理仅 1.7ms,YOLO26x 检测 mAP 57.5——又快又准的新王者!
gc_22997 个月前
python·ultralytics·yolo26·旋转框检测
学习python使用Ultralytics的YOLO26进行旋转框检测的基本用法Ultralytics的YOLO26模型提供专门的旋转框检测模型以支持旋转边界框检测,其主要预训练模型及参数如下表所示,其中的mAPtest50-95(e2e)指标指IoU从0.5到0.95多个阈值下的平均精度,用于评估评估模型在高难度、高精度需求下的性能,而mAPtest50(e2e)指标指在IoU=0.5单一阈值下的平均精度,用于快速对比基线模型,或对定位精度要求不高的任务。   定向目标检测器的输出是一组旋转的边界框,这些边界框精确地包围了图像中的目标,以及每个框的类别标签和置信度分数。当目标以各种
gc_22998 个月前
python·分类·ultralytics·yolo26
学习python使用Ultralytics的YOLO26进行分类的基本用法Ultralytics的YOLO26模型提供专门的分类模型以支持图像分类,其主要预训练模型及参数如下表所示,其中的acc top1指标是指模型预测的第一名类别是否正确,用于评估模型的最优答案的准确率,而acc top5指标是指正确答案是否在模型预测的前五名类别中,用于评估模型的候选答案的准确率。   图像分类模型的输出是单个类别标签和一个置信度分数。YOLO26的分类模型的输出数据形状是长度为c的一维数组,c为基于imagenet数据集的1000个预训练分类,可以通过result.names属性获取全部分
gc_22998 个月前
python·分割·ultralytics·yolo26
学习python使用Ultralytics的YOLO26进行分割的基本用法Ultralytics的YOLO26模型提供专门的分割模型以支持实例分割,其主要预训练模型及参数如下表所示,其中的mAPbox指标用于评估模型目标检测的能力,即预测的边界框(Bounding Box)与真实物体框的重合度,而mAPmask指标用于评估模型实例分割的能力,即预测的像素级轮廓掩码(Mask)与真实物体轮廓的重合度。   实例分割模型的输出是一组掩码或轮廓,它们勾勒出图像中每个对象,以及每个对象的类别标签和置信度分数。YOLO26的实例分割模型的输出数据形状为[N, H, W],也即result
gc_22998 个月前
python·ultralytics·yolo26·姿势估计
学习python使用Ultralytics的YOLO26进行姿势估计的基本用法Ultralytics的YOLO26模型提供专门的姿势估计模型以支持姿势估计,其主要预训练模型及参数如下表所示,其中的"e2e" 代表端到端性能。   姿势估计模型的输出是一组点,这些点代表图像中对象上的关键点,通常还包括每个点的置信度分数。YOLO26的姿势估计模型的输出数据形状为[N, K, D],其中N为从图片中检测到的人数,K为每个人体的关节/特征点数量(关键点),由于预训练模型采用COCO格式,K通常为17,每个关键点代表人体不同的部位,下图为每个索引与其对应身体关节的映射关系,D为每个关键点的
Together_CZ9 个月前
目标检测·ultralytics·yoloe·nn.modules.head·检测头·分割头·姿态估计头
ultralytics.nn.modules.head——head.py子模块代码详读head模块是Ultralytics YOLO项目的核心组件之一,定义了各种任务专用的神经网络头部模块。这些头部模块负责将骨干网络提取的特征转换为具体的预测输出,如边界框、类别概率、掩模系数、关键点等。
Together_CZ10 个月前
yolo·目标检测·torch·ultralytics·autobackend·推理后端·多种模型支持
ultralytics.nn.autobackend——autobackend.py子模块代码详读autobackend模块是 Ultralytics YOLO 项目的核心推理后端,主要功能是自动检测和加载多种格式的模型文件,并提供一个统一的接口进行推理。它支持超过20种不同的模型格式,包括 PyTorch、ONNX、TensorRT、TensorFlow、CoreML 等,使得用户可以用同一个代码接口运行不同格式的模型。
Together_CZ10 个月前
tensorflow·onnx·ultralytics·utils.export·engine.py·imx.py·模型导出
ultralytics.utils.export——engine.py、imx.py、tensorflow.py各模型导出子模块代码详读这个export模块实现了Ultralytics YOLO项目的模型多种不同格式导出功能,主要包含:engine.py:核心格式转换引擎
qxl_79991510 个月前
ultralytics
Anaconda 搭建纯净 YOLO 训练环境(RTX3090 + Python3.10 + GPU+Ultralytics 版)以管理员身份运行 Anaconda Prompt,默认进入base环境。因清华源等镜像易出现连接重置问题,强制使用 Anaconda 官方源创建环境,执行命令:
Together_CZ10 个月前
人工智能·yolo·目标检测·ultralytics·yolo26·致力于打造端到端计算范式·端侧ai新标杆
YOLO26模型今日发布,致力于打造端到端计算范式的端侧AI新标杆在前面的博文中我们学习了YOLO26的论文,感兴趣的话可以自行移步阅读:《YOLO26: Key Architectural Enhancements and Performance Benchmarking for Real-time Object Detection——实时目标检测的关键架构增强与性能基准测试》