How Many Cars Are in This Aerial Imagery? Let’s Count Them with YOLOv8 from Scratch!
从 A 到 Z 的分步指南，用于在自定义数据库上部署 YOLOv8 进行对象检测和计数。继续阅读 Towards Data Science »
A Weekend AI Project: Object Detection with YOLO on PC and Raspberry Pi
在不同的硬件上运行最新的 YOLO v10 模型继续阅读 Towards Data Science »
YOLOX: Exceeding YOLO Series in 2021
我们将 YOLO 检测器切换到无锚方式，并采用其他高级检测技术，即解耦头和领先的标签分配策略 SimOTA，以在大型数据集上实现最先进的结果模型规模范围：对于只有 0.91M 参数和 1.08G FLOPs 的 YOLO-Nano，我们在 COCO 上获得了 25.3% 的 AP，比 NanoDet 高出 1.8% AP；对于业界使用最广泛的检测器之一 YOLOv3，我们对其进行了提升在 COCO 上达到 47.3% AP，比当前最佳实践高出 3.0% AP；对于参数量与 YOLOv4-CSP、YOLOv5-L 大致相同的 YOLOX-L，我们在 COCO 上以 68.9 FPS 的速度实现了
YOLOP: You Only Look Once for Panoptic Driving Perception
全景驾驶感知系统是自动驾驶的重要组成部分。高精度、实时的感知系统可以帮助车辆在驾驶时做出合理的决策。我们提出了一个全景驾驶感知网络（YOLOP），用于同时执行交通物体检测、可驾驶区域分割和车道检测。它由一个用于特征提取的编码器和三个用于处理特定任务的解码器组成。我们的模型在具有挑战性的 BDD100K 数据集上表现非常出色，在准确性和速度方面在所有三个任务上都达到了最先进的水平。此外，我们通过烧蚀研究验证了我们的多任务学习模型用于联合训练的有效性。
作为莫斯科加速器计划的一部分，莫斯科创新局已经确定了未来银行轨道的最佳毕业生。其中包括莫斯科项目，目前正准备通过创新委员会。这是一个用于自动追债和分析“YurRobot”的云平台，一个用于在Andata网站上识别潜在客户的服务，一个用于搜索和分析博主Yoloco的服务，一个法律人工智能系统UR-LI。赛道合作伙伴乌拉尔西伯银行将与莫斯科 Hot-WiFi 等另外 10 支车队继续在加速后计划框架内进行合作谈判。
