XiaoMi-AI文件搜索系统
World File Search SystemYOLO
利用人工智能和智能手机进行自动血涂片分析
• Poostchi Mahdieh 等人，使用薄血涂片显微镜对人类和小鼠进行疟原虫检测和细胞计数，医学影像杂志 5，第 4 期 (2018)：044506。• Feng Yang 等人，级联 YOLO：在薄血涂片中自动检测间日疟原虫，将于 2020 年 2 月 18 日至 20 日在美国休斯顿的 SPIE 医学影像大会上发表。
自动食品识别和卡路里管理...
1人工智能（AI），机器学习（ML），深度学习（DL），计算机视觉（CV）和对象检测之间的关系。。。。。。。。。。。。4 2通过乘以网格单元中存在的ob ject的概率以及在预测和地面真相边界框之间与联合（iou）相交的概率来计算YOLO中的信心评分。。。。。。。。。。。。。。。。。。。。。。5 3边界框预测图。。。。。。。。。。。。。。。。。。。。。。。。。。。5 4 iou通用公式。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 5 iou二进制公式（tp = true straine，fn = false n = false and and fp =假阳性。）6 6 YOLO架构。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 7边界盒坐标损耗包含对象的网格单元。。。。。。。。。。。7 8包含对象的网格单元的边界框宽度和高度损失。。。。。。。。7 9包含对象的网格单元的置信分数损失。。。。。。。。。。。。。。。。7 10不包含对象的网格单元的置信分数损失。。。。。。。。。。。。。。7 11分类损失在网格细胞中存在对象。。。。。。。。。。。。。。。。。。。7 12目录结构，用于组织食物图像及其相应的标签，用于在Yolo模型中进行训练，验证和测试。。。。。。。。。。。。。。。。。。14 13各种食物类别的yolov5对象检测的精确构态曲线。。17 14 F1分数曲线Yolov5对象在各种食物类别上检测。。。。。。。。。17 15 Yolov5损失曲线和关键指标（精度，召回和地图）在时期。。。18 16混淆矩阵说明了Yolov5模型在分类不同的食物类别中的性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。18 17各种食物类别的yolov6对象检测的精确构度曲线。19 18 F1分数曲线Yolov6对象检测各种食物类别。。。。。19 19 Yolov6损失曲线和关键指标（精度，回忆和地图）。。。20 20混乱矩阵说明了Yolov6模型在分类不同的食物类别中的性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。20 21各种食物类别的yolov7对象检测的精确构度曲线。。21 22 22 F1分数曲线在各种食物类别上检测。。。。。。。。。21 23 Yolov7损失曲线和关键指标（精度，召回和映射）在时期。。。。22 24混乱矩阵说明了Yolov8模型在分类不同的食物类别中的性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。22 25在各种食物类别上用于yolov8对象检测的精确构度曲线。。23 26 F1在各种食物类别上检测Yolov8对象检测的得分曲线。。。。。。。。。23 27 Yolov8损失曲线和关键指标（精度，召回和映射）。。。。24 28混乱矩阵说明了Yolov8模型在分类不同的食物类别中的性能。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。24 29 YOLO模型的比较：检测速度和训练时间。。。。。。。。。。26 30跨关键评估大会的YOLO模型的全面绩效比较。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 31用户帐户注册提示用户输入其个人信息和健康数据以进行个性化卡路里跟踪。。。。。。。。。。。。。。。。。。。。。。29 32登录页面。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 33带有输入接口的主页，具有使用设备相机捕获图像或从设备存储中上传现有图像的选项。。。。。。。。30 34卡路里跟踪页面，显示每日卡路里限制，当天消耗卡路里，详细的食物日志以及每月的日历，突出显示每日卡路里的摄入量。。。。31
使用人工智能进行头盔检测
Madhuchhanda Dasgupta、Oishila Bandyopadhyay、Sanjay Chatterji、Kalyani [1] 任何智能交通系统都必须包括对交通规则违规行为的自动检测。在印度这样的国家，所有主要城市的人口密度都很高，摩托车是主要的交通工具之一。研究发现，大多数摩托车手在城市或高速公路上骑行时都不戴头盔。在大多数摩托车事故场景中，戴头盔可以降低摩托车手头部和严重脑部受伤的风险。现在，大多数交通和安全规则都是通过分析监控摄像头获得的交通记录来发现的。这项研究提出了一个框架，用于检测未戴头盔的摩托车上的一个或多个骑手。在建议的方法中，第一阶段使用 YOLOv3 模型来发现摩托车骑手，该模型是 YOLO 模型的增量版本，YOLO 模型是最先进的物体检测方法。在第二阶段，提出了一种基于卷积神经网络 (CNN) 的摩托车头盔检测架构。使用交通记录测试了所建议的模型，与其他基于 CNN 的技术相比，结果显示出良好的前景。
人造视觉 - Yolov8算法...
Coimbatore，泰米尔纳德邦，印度摘要：失明是一种残疾或无法看见的形式。缺乏视力仅是一个需要视线的人进行的活动，这只是一个劣势。盲人可能仅由于无法进入的基础设施和社会挑战而面临麻烦。在地方周围浏览并使用行人访问标志是盲人的最大挑战之一，尤其是视力为零的人。对于一个受到身体挑战的人来说，获得独立性可能最有价值的资产和视觉障碍的人可以在设计有必要适应的环境中过着独立的生活。本文使用Yolo（您只看一次）的实时对象检测系统，基于深度学习算法，以帮助视觉受损的人在日常生活中。cobotic眼镜是专为视障个体设计的剪边产品。使用Yolo算法无缝集成面部运动识别，对象识别和文本检测功能。Yolo使用卷积神经网络（CNN）和单个正向传播通过神经网络进行实时的对象检测。在此提议的系统中，Yolov8是一种在上下文（可可）数据集中对公共对象训练的实时对象检测算法，用于识别在对象识别中产生高准确性的人面前存在的对象。系统通过合成的语音传递输出，从而增强视觉感知。索引术语 - 视觉障碍，对象检测，Yolov8，文本，语音，CNN面部运动识别模块促进了改善的社会互动，而对象识别会提高环境意识。此集成解决方案结合了边缘处理和基于云的分析，以实时处理和计算效率。cobotic奇观使视觉障碍的个体能够提供最先进的智能眼镜系统，从而增强视觉感知，促进独立性并改善其整体生活质量。
使用混合深度学习中图像中的对象识别...
摘要：通过图像分类和识别对象并制作边界框是对象识别和检测的基本原理。对象识别，是最关键的问题，这是它对研究引起强烈关注的原因。在过去几年中，随着计算机视觉中对象检测技术的巨大增长，该主题发生了重大变化。在1990年代，人们仍在使用创造性的思想和持久的设计来弄清楚如何在早期计算机视觉中识别对象。如果您查看我们今天如何将对象识别为可以通过深度学习实现的变化，则可以同时学习高级和低级功能。本文通过深度学习讨论了对象识别领域的混合方法。这项工作的主要贡献是通过使用EfficityNet CNN深度学习模型与一些突出的主链体系结构呈现混合分类器方法，并与Yolo探测器结合使用Yolo检测器，用于对象识别e-Yolo。在某些指标上，该模型测试与某些现有的COCO Dataset上的现有模型用于常见的Benchmark。最后讨论了现有模型的性能和准确性与对这些指标的拟议模型的比较。因此，提出的模型的准确性优于现有模型。
使用Yolov8和Bytetrack
最近，智能运输系统（ITS）已成为应对城市交通管理日益严重的挑战的重要组成部分。随着车辆密度的指数升高和道路安全问题的增加，发展有效且可扩展的交通解决方案已变得必不可少。本文探讨了最先进的计算机视觉技术的整合，以有效地应对这些挑战。交通监控系统的演变：交通监控的根源可以追溯到传统方法，例如手动监视和静态传感器，尽管在特定方案中有效，但在可伸缩性，实时适应性和精度方面有限制。多年来，人工智能和计算机视觉的进步改变了这一景观，从而实现了实时和自动化的交通分析。引入了诸如YOLO（您只看一次）和高级跟踪算法（例如Bytetrack）等深度学习模型的引入进一步提高了流量监控系统的准确性和鲁棒性。Yolov8是Yolo系列中的最新迭代，它带来了改进的对象检测功能，包括更高的精度和更快的推断。Bytetrack是一种尖端的多对象跟踪算法，即使在诸如遮挡和高速运动之类的具有挑战性的条件下，也可以确保跨视频帧的稳定和可靠的跟踪。
使用机器的自动停车管理系统...
印度马哈拉施特拉邦的工程，科学与人文科学系（DESH）Vishwakarma理工学院，浦那411037摘要 - 随着停车业的越来越多，由于越来越多的城市与交通拥堵和不足的停车供应不足。在拥挤的城市地区，多达30％的交通量是由于驾驶员四处寻找停车位。寻找停车位变得越来越困难。导致智能技术的发展，可以帮助驾驶员有效地找到停车位，这不仅减少了交通拥堵，而且还会减少随后的空气污染。现有解决方案在每个停车位都需要多个传感器，以解决自动停车位检测问题。但是，它们的成本很高，尤其是对于大型停车结构而言。本文中包括了其他各种各样的技术创新，例如车牌检测，数字停车表和基于视觉的停车位检测。在本文中，我们建议设计幼稚的分布式相机，边缘计算，数据分析技术来完成此任务。具体来说，我们部署了摄像机来捕获以识别占用哪些插槽；带有广角鱼眼镜的摄像机将通过OpenCV和Yolo监视大型停车场。我们进一步优化了算法并实现实时深度学习推论。通过该系统可以节省现有系统的重大成本。关键字 - 智能城市，智能停车，安全付款，微控制器，OpenCV，YOLO。
对象检测
教授sasikumar.b@gmail.com和naveenmeti9353@gmail.com摘要：图像识别，增强现实，自动驾驶和监视的申请，这对这项计算机视觉至关重要。在这个项目中，使用复杂的深度学习技术来完成Python中检测到的事情。它使用预训练的卷积（CNN）模型使用神经网络，在图片或视频供稿中使用Yolo（仅查看一次）或SSD（单拍的多伯克斯检测器）来定位和识别事物。使用Pytorch和Tensor Flow等流行的库，使用thepython编程语言开发，训练和实现此副本时。用于处理传入数据的预处理程序，使用带注释的数据集的模型培训以及对新鲜照片或视频帧的推断都包含在实施中。此外，该项目还研究了如何加速推理，以便实时应用可以使用它。对象识别系统进行评估需要计算重要的性能度量，例如F1得分，回忆和精度。结果表明，在各种情况下，模型能够定位和识别项目。这项工作增加了扩展的机器视觉，并提供了一份有用的手册，用于利用Python实现感情对象。实现的模块化和灵活的设计使对于不同的用例和数据集修改变得易于修改。该项目的结果证明了在实际用途中进行更多突破的可能性，鼓励在包括图像处理，自主系统和监视的领域创新。关键字：Yolo
北技术大学
使用Dron和Neuronal网络卷积Yolo获得的图像在玉米和/或马铃薯种植园中自动杂草检测：Ortega Llanos Bryan Andres Andres Andres日期：03/05/2024计划：选择：选择：软件工程师的本科标题。 div>导演：博士学位。 div>GarcíaSantillánIvánDanilo。 div> 顾问1：博士学位。 div> PusdáChuldeMarco Remigio。 div>GarcíaSantillánIvánDanilo。 div>顾问1：博士学位。 div>PusdáChuldeMarco Remigio。 div>
使用 X 射线手部图像进行基于人工智能的年龄估计
骨龄评估有多种用途。它可以帮助儿科医生预测生长、青春期开始、识别疾病，并评估缺乏适当身份证明的人是否是未成年人。这是一个耗时的过程，也容易出现观察者内差异，从而导致许多问题。本论文尝试通过使用不同的物体检测方法来检测和分割对评估具有解剖学重要性的骨骼，并使用这些分割的骨骼来训练深度学习模型来预测骨龄，从而改善和加快骨龄评估。使用了一个包含 12811 张婴儿至 19 岁人群的 X 射线手部图像的数据集。在第一个研究问题中，我们比较了三种最先进的物体检测模型的性能：Mask R-CNN、Yolo 和 RetinaNet。我们选择了性能最佳的模型 Yolo，以分割数据集中指骨的所有生长板。我们继续使用分割和未分割的数据集训练四种不同的预训练模型：Xception、InceptionV3、VGG19 和 ResNet152，并比较了性能。我们使用未分割和分割的数据集都取得了良好的结果，尽管使用未分割的数据集的性能略好。分析表明，通过增加腕骨、骨骺和骨干的生长板检测，我们可能能够使用分割数据集实现更高的准确率。性能最佳的模型是 Xception，使用未分割的数据集实现了 1.007 年的平均误差，使用分割的数据集实现了 1.193 年的平均误差。