开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

是否有包含YOLO的eye类的数据集？

是的，有包含YOLO的eye类的数据集。YOLO（You Only Look Once）是一种目标检测算法，它能够实时地在图像或视频中检测和定位多个目标。eye类的数据集主要用于眼睛检测和定位任务。

优势：

实时性：YOLO算法采用单次前向传播的方式，能够在一次推理中同时检测多个目标，速度快，适用于实时应用。
准确性：YOLO算法在目标检测任务中表现出色，能够准确地定位和分类目标。
多类别支持：YOLO算法可以同时检测多个类别的目标，包括eye类。

应用场景：

视频监控：YOLO算法可以用于实时监控视频中的目标，如眼睛检测、人脸识别等。
自动驾驶：YOLO算法可以用于实时检测道路上的交通标志、行人、车辆等目标。
图像处理：YOLO算法可以用于图像处理任务，如图像分割、目标跟踪等。

推荐的腾讯云相关产品：腾讯云提供了一系列与云计算和人工智能相关的产品和服务，可以用于支持YOLO算法和eye类数据集的应用。以下是一些推荐的产品和产品介绍链接地址：

云服务器（Elastic Cloud Server）：https://cloud.tencent.com/product/cvm
人工智能计算平台（AI Computing Platform）：https://cloud.tencent.com/product/tci
图像识别（Image Recognition）：https://cloud.tencent.com/product/aiimage
视频智能分析（Video Intelligent Analysis）：https://cloud.tencent.com/product/vca

请注意，以上推荐的产品和链接仅供参考，具体选择应根据实际需求和情况进行。

相关搜索:如何训练YOLO张量流自身的数据集包含Datatable的数据集是否缓存类方法的结果集？是否有JavaScript的Money类？包含多个表的数据集的ImportExcel 包含pandas的数据集的平滑度是否有包含我的MongoDB数据的文本文件？检查单击的元素是否有类如何筛选包含数组数据的BigQuery数据集？验证某些div是否包含特定的类包含大量零的数据集的建模思想 python自带的数据集有哪些是否有包含Core Plot的示例项目？包含为列的BigQuery数据集名称 Scala Spark:包含JSON列的数据集 Python中包含数组的大型数据集分割包含多个标注的数据集是否有适合此数据集和所需输出的机器学习模型？是否删除具有多个数据集的ngx-chart中的偶数类和奇数类？sbt未在程序集后的清单中包含主类

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

收藏 | YOLO系列综述：从V1到V4

这是继RCNN，fast-RCNN和faster-RCNN之后，rbg（RossGirshick）针对DL目标检测速度问题提出的另外一种框架。YOLO V1其增强版本GPU中能跑45fps，简化版本155fps。

03

从YOLOv1到YOLOv3，目标检测的进化之路

这是继 RCNN，fast-RCNN 和 faster-RCNN之后，Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架。YOLO V1 其增强版本在 GPU 上能跑45fps，简化版本155fps。

03

CV岗位面试题：简单说下YOLOv1,v2,v3,v4各自的特点与发展史

重磅干货，第一时间送达文 | 七月在线编 | 小七解析：文章目录一、任务描述二、设计思想三、发展历程 1. YOLOv1 2.

01

检测9000类物体的YOLO9000 更好更快更强

多尺度训练YOLOv2；权衡速度和准确率，运行在不同大小图像上。YOLOv2测试VOC 2007 数据集：67FPS时，76.8mAP；40FPS时，78.6mAP。

04

你实操了吗？YOLOv5 PyTorch 教程

原文：https://dzone.com/articles/yolov5-pytorch-tutorial

00

使用 YOLO 进行对象检测：保姆级动手教程

Object Detection with YOLO: Hands-on Tutorial - neptune.ai

01

数据科学工具包：手把手用YOLO做目标检测

YOLO 是我最喜欢的计算机视觉算法之一，在很长一段时间里，我计划着专为它写一篇博文。然而，我不希望它成为另一篇详细解释 YOLO 背后工作原理的文章，网上有很多文章都很好地涵盖了它理论方面的知识。除此之外，如果你想加深对这个架构的理解，直接从源代码获取信息并阅读源文件（https://arxiv.org/abs/1506.02640）也是一个好主意。

02

如何有效增强数据集，yolov5 mAP从0.46提升到了0.79？

以监控摄像头数据集的人体检测模型为例，说明了如何通过对数据的理解来逐步提升模型的效果，不对模型做任何改动，将mAP从0.46提升到了0.79。

05

训练目标检测模型只需要这 6 行代码

原标题 | Train Object Detection AI with 6 lines of code

06

YOLO v2

相对于YOLOv1，改进后的v2版使用一种新的、多尺度的训练方法，相同的YOLOv2模型可以在不同的尺寸运行，在速度和准确性之间达到简单的折中。这个模型由于可以对9000类目标进行分类，因此称为YOLO9000，但是依然能实时的运行。文章的最后提出了一种联合训练目标检测与分类的方法。这种方法同时在COCO检测数据集和ImageNet分类数据集同时训练YOLO9000。这种联合训练可使YOLO9000预测没有标记检测数据的对象。

05

CRAS-YOLO：多类别船舶检测与分类模型

在今天分享中，我们团队在FUSAR船舶数据集和SimpleCopyPaste方法的基础上生成了一个新的Artificial-SAR-Vessel数据集中。我们进一步提出了一种新的多类船检测，称为CRAS-YOLO，它由卷积块注意力模块（CBAM）、感受野块（RFB）和基于YOLOv5s的自适应空间特征融合（ASFF）组成。CRAS-YOLO改进了基于路径聚合网络（PANet）的特征金字塔网络，该网络集成了RFB特征增强模块和ASFF特征融合策略，以获得更丰富的特征信息，并实现多尺度特征的自适应融合。同时，在骨干中增加了CBAM，以准确定位船只位置，提高检测能力。

02

Yolo目标检测算法综述

YOLO9000 使用 YOLOv2 模型，采用联合训练算法训练，拥有9000类的分类信息。

01

前Twitter资深工程师详解YOLO 2与YOLO 9000目标检测系统

AI研习社按：YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。在今年CVPR上，Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。这次讲座的主讲人为王东，前硅谷资深工程师。讲解顺序和论文结构类似，先讲YOLO 2的网络结构，重点分析如何产生目标边框和分类，以及相关的损失函数。训练YOLO 2的第一步是在ImageNet上预先学习darknet-19，在224x224图像上，它仅需5.58

06

目标检测系列之四（YOLO V1、YOLO V2、YOLO V3）

前面文章我们介绍过两阶段Two-Stage算法（目标检测系列之二（R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN）），先产生候选框再用SVM或者CNN进行分类，一阶段One-Stage算法（目标检测系列之三（SSD）），直接对输入图像学习候选框和类别和定位，下面继续介绍一代更比一代强的一阶段算法。

01

深度 | 详解CVPR2017最佳论文提名的 YOLO 2与 YOLO 9000物体检测系统

AI 科技评论按：YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。在今年CVPR上，Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。这次 AI 科技评论邀请到了前硅谷资深工程师王东为大家详细解读 YOLO 2和 YOLO 9000的技术细节。讲解顺序和论文结构类似，先讲YOLO 2的网络结构，重点分析如何产生目标边框和分类，以及相关的损失函数。训练YOLO 2的第一步是在ImageNe

07

YOLO9000好棒好快好强壮阅读笔记

论文（YOLO9000：Better，Faster，Stronger）阅读笔记，由于论文较新，所以文中的很多词汇并没有对应的中文官方叫法，因此会保留一部分英文。这篇文章可以说写出来的难度比第一篇Densely Connected Convolutional Networks论文阅读的难度大很多，时间也耗费得多得多。因为里面涉及到很多预备知识，我都尽自己最大努力地通俗易懂地解释，希望能让对目标检测领域没那么熟悉的同学更容易地理解，因此文章写得很长，大家可以分成几部分阅读。可以说这只是一个简单的开始，因为我大

渣土车空车未盖盖识别系统

渣土车空车未盖盖识别系统通过OpenCv+yolo网络实时监控路过的渣土车情况，渣土车空车未盖盖识别系统对没有盖盖或者空车的渣土车进行抓拍。渣土车空车未盖盖识别系统利用城市道路两旁的监控摄像头对交通来往车辆进行识别抓拍，若是空车或者没有盖盖，即会抓拍同步将截图发给后台监控系统平台，提醒后台人员及时处理，避免更大的损失发生。YOLO算法- YOLO算法是一种基于回归的算法，它不是选择图像中有趣的部分，而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法，我们首先需要了解实际预测的是什么。最终，我们的目标是预测一类对象和指定对象位置的边界框。

02

河道非法采砂识别系统

河道非法采砂识别系统通过yolov5网络架构深度学习技术对指定区域进行实时检测，一旦河道非法采砂识别系统检测到人员非法采砂时，无需人工干预系统会自动告警，同步回传监控管理中心，提醒后台相关人员及时处理。YOLO算法- YOLO算法是一种基于回归的算法，它不是选择图像中有趣的部分，而是预测整个图像中的类和包围框运行一次算法。要理解YOLO算法，我们首先需要了解实际预测的是什么。最终，我们的目标是预测一类对象和指定对象位置的边界框。

04

太强！AI没有落下的腾讯出YOLO-World爆款 | 开集目标检测速度提升20倍，效果不减

YOLO系列检测器已将自己确立为高效实用的工具。然而，它们依赖于预定义和训练的物体类别，这在开放场景中限制了它们的适用性。针对这一限制，作者引入了YOLO-World，这是一种创新的方法，通过视觉语言建模和在大型数据集上的预训练，将YOLO与开集检测能力相结合。具体来说，作者提出了一种新的可重参化的视觉语言路径聚合网络（RepVL-PAN）和区域文本对比损失，以促进视觉和语言信息之间的交互。作者的方法在以零样本方式检测广泛范围的物体时表现出色，且效率高。在具有挑战性的LVIS数据集上，YOLO-World在V100上实现了35.4 AP和52.0 FPS，在准确性和速度上都超过了许多最先进的方法。此外，经过微调的YOLO-World在包括目标检测和开集实例分割在内的几个下游任务上取得了显著性能。

02

无人机+ AI 图像分析：里斯本大学高效检测林业害虫

内容一览：早期发现虫害对于因地制宜采取防控措施至关重要。尽管遥感技术可用于快速扫描大面积区域，但面对低强度信号或难以检测的物体，其效果并不尽如人意。因此，里斯本大学研究人员将无人机与 AI 图像分析相结合，在此基础上测试了两种深度学习方法—— FRCNN 及 YOLO 来检测早期松异舟蛾巢穴，并且效果显著。

02

使用Google AI Open Images进行对象检测

作者：Atindra Bandi, Alyson Brown, Sagar Chadha, Amy Dang, Jason Su，翻译：云水木石

04

一文搞懂决策树

有一个房间，里面有 100 个人，每个人有 100 元。每过一会，每个有钱的人给随机的其他人 1 元，经过一段时间后，房间内的资金分配情况是怎样？

02

一文看尽目标检测：从 YOLO v1 到 v3 的进化之路

http://www.mamicode.com/info-detail-2314392.html

06

YOLO目标检测，训练自己的数据集（识别海参）

这篇文章是训练YOLO v2过程中的经验总结，我使用YOLO v2训练一组自己的数据，训练后的model，在阈值为.25的情况下，Recall值是95.54%，Precision 是97.27%。

02

目标检测算法之YOLOv1

今天开始分享一下YOLO系列的目标检测算法，前面介绍了SSD算法和Faster-RCNN，现在公司用Faster-RCNN的似乎不是很多，主要集中在YOLO，SSD以及CenterNet等。我们的检测和宇宙和分割宇宙刚刚开始，之后会更新一些这些算法的代码实战等，敬请期待吧。

02

专栏 | 目标检测算法之YOLOv1

今天开始分享一下 YOLO 系列的目标检测算法，前面介绍了 SSD 算法和 Faster-RCNN，现在公司用 Faster-RCNN 的似乎不是很多，主要集中在 YOLO，SSD 以及 CenterNet 等。我们的检测和宇宙和分割宇宙刚刚开始，之后会更新一些这些算法的代码实战等，敬请期待吧。

02

D-YOLO解决落地困难 | 关注特征融合模块+无雾特征子网络，让YOLO家族无惧雨雾和风雪

目标检测是计算机视觉中的一个关键技术，已经在制造业、农业、医疗保健、监控安全、交通控制和自动驾驶车辆等多个领域得到广泛应用。这是因为目标检测具有双重目的：对图像内的物体进行分类和定位。近年来，目标检测方法取得了重大进展，特别是采用深度卷积神经网络（DNN）后。这些方法显示出显著的有效性和准确性，极大地推动了相关领域的发展。

01

Python OpenCV 蓝图：6~7

先前我们已经研究了如何通过关键点和特征来描述对象，以及如何在同一物理对象的两个不同图像中找到对应点。但是，在识别现实环境中的对象并将其分配给概念类别时，我们以前的方法相当有限。例如，在第 2 章“使用 Kinect 深度传感器进行手势识别”，图像中所需的对象是手，必须将屏幕很好地放置在手掌的中央。如果我们可以取消这些限制，那岂不是很好吗？

01

使用 YOLO 进行目标检测

自从世界了解人工智能以来，有一个特别的用例已经被讨论了很多。它们是自动驾驶汽车。我们经常在科幻电影中听到、读到甚至看到这些。有人说，我们将在2010年拥有自动驾驶汽车，有人说到2020年，但我们在2021年就实现了，我们刚刚能够解决自动驾驶汽车给世界带来的变化的一角。自动驾驶汽车的一个基本特性，对象检测。

03

YOLO 算法最全综述：从 YOLOv1 到 YOLOv5

YOLO系列是基于深度学习的回归方法，本文详细介绍了从YOLOv1至最新YOLOv5五种方法的主要思路、改进策略以及优缺点。

04

YOLO算法最全综述：从YOLOv1到YOLOv5

来源：知乎初识CV 深度学习爱好者https://zhuanlan.zhihu.com/p/136382095本文共8000字，建议阅读15分钟本文为大家介绍了YOLO算法的最全综述。 YOLO官网： https://github.com/pjreddie/darknet YOLO v.s Faster R-CNN 1.统一网络:YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和f

02

对稀有飞机数据集进行多属性物体检测：使用YOLOv5的实验过程

如何使用物体的多个特征来提升物体检测的能力，使用YOLOv5进行多属性物体检测的实验。

06

YOLO算法最全综述：从YOLOv1到YOLOv5

来源丨https://zhuanlan.zhihu.com/p/136382095

01

YOLO算法最全综述：从YOLOv1到YOLOv5

1.统一网络:YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fast rcnn网络.相对于R-CNN系列的"看两眼"(候选框提取与分类),YOLO只需要Look Once.

05

基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)

本文主要介绍基于YOLOv8和BotSORT实现球员和足球检测与跟踪，并给出步骤和代码。

01

[Intensive Reading]目标检测(object detection)扩展系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在损失函数上的区别

Faster R-CNN，YOLO和SSD在通用目标检测领域有着奠基一般的作用，而YOLOv2和YOLOv3由于其灵活易用的特性，在工业界一直很受欢迎，下面这篇文章主要想从损失函数的角度集中讨论下这几个主流框架的区别。

03

基于深度学习的车牌识别系统【YOLO+MLP】

车牌识别系统可以自动检测并识别图像中的车辆牌照，其算法主要包括牌照定位、牌照分割、字符识别等步骤。本文将给出一种基于深度学习的车牌识别系统方案。

06

目标检测(object detection)扩展系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在损失函数上的区别

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

02

AI数钢筋

AI数钢筋在社会智能化的发展趋势之下，越来越多的传统行业开始向着数字化的方向转型，而建筑行业也正经历着通过人工智能技术实现的改革。钢筋是建筑业的重要材料，庞大的数量、工地现场环境复杂以及人工点验错漏等现实因素为钢筋点验工作制造了难度，那么如何才能快速且准确地完成对于整个建筑施工过程极为重要的钢筋点验工作环节呢？今天就带大家了解一下“AI数钢筋”——通过人工智能技术实现钢筋数量统计。 1 问题背景钢筋数量统计是钢材生产、销售过程及建筑施工过程中的重要环节。目前，工地现场是采用人工计数的方式对进场的

05

手把手教你用深度学习做物体检测(五)：YOLOv1介绍

我们提出YOLO，一种新的目标检测方法。以前的目标检测是用分类的方式来检测，而我们将目标检测定义成回归问题，从空间上分隔出边界框和相关的类别概率。这是一个简洁的神经网络，看一次全图后，就能直接从全图预测目标的边界框和类别概率。因为整个检测线是一个单一的网络，在检测效果上，可以直接做端到端的优化。我们的统一架构非常快。我们的基础YOLO模型每秒可以处理45帧图片。该网络的一个更小的版本——Fast YOLO，每秒可以处理155帧图片，其mAP依然能达到其他实时检测模型的2倍。对比最先进的检测系统，YOLO有更多的定位误差，和更少的背景误检情况(把背景预测成目标)。最终，YOLO学到检测目标的非常通用的表示。在从自然图片到其他领域，比如艺术画方面，YOLO的泛化能力胜过其他检测方法，包括DPM和R-CNN。

04

YOLO系列：V1,V2,V3,V4简介

YOLO系列是基于深度学习的回归方法。 RCNN， Fast-RCNN，Faster-RCNN是基于深度学习的分类方法。

01

包含近 20 万本图书，OpenAI 级别的训练数据集上线

内容提要：你是否也想要像 OpenAI 一样，训练出强大的 GPT 模型，但是却苦于没有足够的训练数据集？近期，reddit 社区的一位网友上传了一个纯文本数据集，包含近 20 万本书籍，训练出一流的 GPT 模型不再是梦。

02

改进的检测算法：用于高分辨率光学遥感图像目标检测

目标检测对光学遥感图像的解释至关重要，可以作为研究利用遥感的其他视觉任务的基础。然而，目前在光学遥感图像中使用的目标检测网络没有充分利用特征金字塔的输出，因此仍有改进检测的潜力。

03

减少yolo检测模型误检的优化和调整

数据集质量：确保你的训练数据集质量良好，包含足够多的代表性样本，并且标注准确无误。低质量的训练数据集可能导致模型学习到错误的特征，从而产生误报。

01

使用Yolov5进行端到端目标检测

最近，Ultralytics推出了YOLOv5，但它的名字却引发了争议。为了了解背景，《YOLO》(你只能看一次)的前三个版本是由约瑟夫·雷蒙(Joseph Redmon)创作的。在此之后，Alexey Bochkovskiy在darknet上创建了YOLOv4，号称比之前的迭代具有更高的平均精度(AP)和更快的结果。

03

AI与农业：苹果缺陷检测

本文中蓝色字体为外部链接，部分外部链接无法从文章中直接跳转，请点击【阅读原文】以访问。

05

使用Python+OpenCV+yolov5实现行人目标检测

目标检测支持许多视觉任务，如实例分割、姿态估计、跟踪和动作识别，这些计算机视觉任务在监控、自动驾驶和视觉答疑等领域有着广泛的应用。随着这种广泛的实际应用，目标检测自然成为一个活跃的研究领域。

01

【知识星球】几个人像分割数据集简介和下载

欢迎大家来到《知识星球》专栏，今天给大家介绍一下人像分割相关的几个数据集，并提供下载。

03

Keras/Tensorflow+python+yolo3训练自己的数据集

代码：https://github.com/qqwweee/keras-yolo3

02

【个人整理】一文看尽YOLO V2的10个改进技巧（下篇）

YOLO V1 问世已久，风头很快就被SSD盖过，原作者rbg（Ross Girshick）大神自然不甘心，于是又在yolo v1的基础之上提出了YOLO v2 ，根据论文中的总结，yolo v2在yolo v1的基础之上一共有10个主要的改进点，本文是结合网上的众多博客文章，用自己习惯的方式做了一个简单地整理。

04

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭