XiaoMi-AI文件搜索系统
World File Search SystemMAP50
使用合成数据微调Yolov10进行订单准确性验证
图8：MAP50未经合成数据训练的数据的结果与使用合成数据集训练的数据，仅根据真实图像进行评估。合成数据仅用于显示适配器（第2类）。包括合成数据还改进了其他类别的MAP50。
ATIF/参考文献：Bayram, AF、Gurkan, C.、Budak, A. 和 Karatas, H. (2022)。基于 Explaina 辅助的深度学习检测和预测模型
肾脏疾病是全世界最常见的疾病之一，会给大多数人带来难以忍受的痛苦。本研究旨在检测肾脏中的囊肿和结石。为此，YOLO 架构设计用于检测肾脏、肾囊肿和肾结石。YOLO 架构设计由可解释人工智能 (xAI) 功能支持。YOLO 架构设计的性能分析部分使用了三类 CT 图像，即 72 个肾囊肿、394 个肾结石和 192 个健康肾脏。结果，YOLOv7 架构设计优于 YOLOv7 Tiny 架构设计。YOLOv7 架构设计实现了 0.85 的 mAP50、0.882 的精度、0.829 的灵敏度和 0.854 的 F1 分数。因此，开发了基于深度学习的 xAI 辅助计算机辅助诊断 (CAD) 系统来诊断肾脏疾病。
比较空...
印尼政府继续鼓励基于技术的公共服务创新，包括开发智能城市和利用传感器技术的智能停车。通过提供实时车辆检测和停车位的可用性，使用您只看一次（YOLO）模型的智能停车系统的开发，从而提高了停车管理的效率。这项研究比较了三种Yolov11-Nano（Yolov11n），Yolov11-Mall（Yolov11s）和Yolov11-Medium（Yolov11M）（Yolov11m）的三种变体，以确定检测空旷的停车位最有效的模型。使用一个数据集进行了实验，该数据集由5725张具有各种条件的停车区图像，例如角度，照明和距离。此外，研究人员还使用了一个6秒的停车场时间段视频，用于培训的模型的测试材料。结果表明，Yolov11的每个变体都有其自己的优势。yolov11s具有最高的MAP50（0.967），Yolov11m的精度和回忆最高，而Yolov11n的FPS最高（62.14）。精度范围为7.4％-17.9％，Yolov11s获得了最高的精度。本研究的发现旨在确定用于智能停车实施的最有效的Yolov11变种。
cib-se-yolov8
摘要 - 安全设备是确保在施工地点安全的关键组成部分，头盔对于减少伤害和死亡尤为重要。传统方法，例如负责人和项目经理的手动检查，效率低下且劳动力密集，通常无法防止与缺乏安全装备有关的事件。为了解决这个问题，利用实时检测技术，特别是Yolo，已经开发了一种新的方法来利用计算机视觉和深度学习。本研究利用公开可用的SHEL5K数据集用于头盔检测任务。所提出的CIB-SE-YOLOV8模型通过结合了注意机制并用C2FCIB块替换某些C2F块来建立在Yolov8n上。与Yolov8n相比，我们的模型获得了88.4％的MAP50，占3.2％的提高。它还表明精度增加了0.5％，召回率增加了3.9％，从而显着提高了头盔检测性能。此外，与Yolov8n的300万参数和8.1 GFLOPS相比，具有268万参数和7.6 GFLOPS的拟议模型在实时检测任务方面具有更高的效率，从而使其成为改善施工现场安全的更有效解决方案。
基于深度学习和机器视觉技术的增材制造过程的实时缺陷检测策略
摘要：如今，添加剂制造（AM）可以提供高价值的最终用途产品，而不是单个组件。这种进化需要整合多个工艺过程来实施多物质处理，更复杂的结构以及最终用户功能的实现。从这种高级AM技术中受益的一个重要产品类别是3D微电子。然而，整个制造程序的复杂性以及3D微电源产品的各种微观结构显着增强了由于制造缺陷而导致的产品故障的风险。为了应对这一挑战，这项工作介绍了基于深度学习和机器视觉的缺陷检测技术，以实时监视AM制造过程。我们提出了一种增强的Yolov8算法来训练能够识别和评估缺陷图像的缺陷检测模型。为了评估我们方法的可行性，我们将挤出3D打印过程作为应用程序对象，并为数据集量身定制，其中包括四个典型缺陷类别的总计3550张图像。测试结果表明，改进的Yolov8模型以每秒71.9帧的帧速率达到了令人印象深刻的平均平均精度（MAP50）为91.7％。
火灾自动目标识别模块开发...
抽象目标识别是军事事务的优先事项。有必要识别移动的对象，不同的地形和景观创造识别障碍，这使此任务变得复杂。作战动作可以在一天中的不同时间进行，因此必须考虑照明角度和一般照明。有必要通过分割视频帧并识别和对其进行分类来检测视频中的对象。在工作中，作者提出了通过人工智能使用在拟议的信息技术框架内开发目标识别模块作为消防系统的组成部分。Yolov8模式识别模型家族用于开发目标识别模块。数据是从开源来源收集的，特别是从YouTube平台上的开源源中发布的视频录像。数据预处理的主要任务是在视频或实时-APC，BMP和TAMP上对三类对象进行分类。数据集是基于标记工具以及随后的增强工具的Roboflow平台形成的。数据集由1193个唯一图像组成 - 每个类别均匀。使用Google Colab资源进行培训。采用100个时代来训练模型。根据MAP50（平均平均精度为0.85），MAP50-95（0.6），精度（0.89）和召回（0.75）指标进行分析。这将是下一步。也有必要扩大军事设备对象的分类。存在巨大的损失，因为在研究中未考虑背景 - 基于未经技术的背景的验证数据（图像）训练模块。
基于数据增强的 YOLOv8 用于 MRI 脑肿瘤...
摘要。目的：本研究旨在使用 YOLOv8 架构和数据增强技术来检测脑膜瘤、神经胶质瘤和垂体脑瘤。方法：本研究采用 YOLOv8 架构和数据增强技术来检测脑膜瘤、神经胶质瘤和垂体脑瘤。该研究收集了一组 T1 加权对比增强图像。该数据集用于训练、验证和测试。应用预处理和增强来增强训练数据。结果：应用数据增强技术后，所有肿瘤类型的表现都显着改善。与增强前的结果相比，脑膜瘤、神经胶质瘤和垂体瘤的准确率、召回率和 mAP50 得分都有所提高。研究结果强调了该方法在增强模型在 MRI 扫描中准确检测脑肿瘤的能力方面的有效性。有增强和无增强的研究都遵循类似的程序：首先进行数据收集，然后进行预处理，然后进行或不进行增强。随后，将收集到的数据分成训练和验证子集，用YOLOv8架构进行训练。最后，通过测试评估模型的性能，以评估其在检测脑肿瘤方面的有效性。 新颖性：这项研究的新颖性在于YOLOv8架构和用于MRI脑肿瘤检测的数据增强技术。该研究通过展示基于深度学习的方法在自动化检测过程和提高模型性能方面的有效性，为现有知识做出了贡献。通过将YOLOv8与数据增强相结合，提出的方法提高了模型的准确性和效率。研究结果强调了这种方法在促进早期诊断和治疗计划方面的潜力，从而在脑肿瘤检测的背景下改善患者护理。 关键词：深度学习、物体检测、脑肿瘤、YOLOv8、数据增强 收到日期：2023年7月/修订日期：2023年7月/接受日期：2023年8月 本作品根据知识共享署名4.0国际许可协议进行许可。