XiaoMi-AI文件搜索系统
World File Search SystemYOLO
Alwiyah, Sayyida 和 Lazirkha, DP (2022)。人工智能对智慧城市空气净化器系统的影响。Aptisi Transactions on Technopreneurship (ATT)，4(2)，205–214。
摘要 肮脏的空气或空气污染是我们面临的许多自然问题之一，有害空气污染问题非常具有代表性。如果空调不健康，就会干扰人体健康。根据世界污染最严重的国家指数，印度尼西亚是 10 个空气不健康或污染严重的国家之一，需要解决这些自然问题。本文旨在通过利用人工智能移动方法进行空气净化，特别是针对室外区域，找到解决方案并尽量减少更广泛的空气污染的影响。该系统的问题在于，它在大面积区域提供清洁空气，例如土地、公寓、办公室等，大多数人会走出家门，长时间呆在屋外。提供基于智能传感器的自动驾驶是本研究的一个优势，因为许多空气净化器与相同目的相关，但仅在小房间区域明确制造。没有移动方法，也没有使用三种主要功能公式方法的人工智能系统。使用机器的“智能移动”的第一个公式将赋予高度的人工智能。第二个方案是使用基于 Arduino 的微处理器进行净化，最后一个方案是人体探测器。之后，该系统可以安装在住宅区并提供更健康的空气，参考公式“你只看一次”（YOLO）的结构。所有系统都将提供性能，因为每个功能都集成在一起，以解释此工具移动的简易性。如果污染程度较低，此工具将前往该位置，反之亦然。此工具同时工作，可过滤空气污染并为人类提供健康的空气（人工智能）。借助此，研究人员尝试了几种方法来解决室外空气污染问题，并清洁污浊的空气以使其适合呼吸。关键词：空气污染、Arduino、人工智能、YOLO
基于人工智能的物体检测和报警系统的开发...
这种实时人体物体检测是朝着自动创建 AI 报警系统迈出的一步，在安全和更好的应急响应方面具有广泛的应用。YOLO 算法的实施如今确保了实时高效准确的物体检测，增强了人机交互。尽管该系统可能在受控环境中具有实验经验，但通过不断调整和用户反馈，可以确保在各种现实情况下的有效性。该领域的未来工作将侧重于增强在困难条件下的检测能力并改进界面以供公众使用。这包括在安全、监视和搜索救援行动中引入该技术的其他应用。随着 AI 技术的不断发展，此类系统将适应改善应急响应和整体公共安全。
对语言翻译的深度学习实施...
摘要本研究旨在在分析手语动作中实施深度学习技术，以在日常对话环境中自动翻译为爪哇人。印尼手语（Bisindo）被选为研究对象，因为将其转化为口语。Yolo方法用于在实时视频中检测手语动作，并将其转换为Javanese。注释的手语数据用于训练系统，从而产生准确的翻译结果。的发现表明，该系统以高精度和速度成功检测和翻译了手语，平均检测时间小于150 ms。这项研究有望增强残疾人的沟通可及性，并创造机会为其他符号语言开发类似的应用。
检测卷积神经网络...
摘要 - 花园环境中物体的检测和分类是应考虑的必要支持，这不仅是因为它促进了花朵的分类，还因为它减少了所需的时间，因为它不再需要专家进行。卷积神经网络的使用在所有领域都在上升，无论是在汽车行业，牲畜，航空等。这是由于它们的特征，它利用人工智能培训来实现对物体的精确检测和分类，但是所有这些方法的成本都很高，并且任何人都无法操纵。该资源的实施，与Yolov8算法并肩作用，代表了花型检测和分类领域的显着进步。关键字：分类，花卉农场，卷积神经网络，Yolo，Python，Roboflow，人工智能。
使用人工智能进行物体检测：综述
印度阿萨姆邦阿萨姆市中心大学 摘要：图像处理是一种处理图像以修饰图像或从中提取有用信息的技术。它可以定义为通过使用复杂算法对图像进行技术分析。在这里，图像用作输入，有用的信息作为输出返回。与此同时，人工智能行业也正迎来巨大的繁荣曲线。据《福布斯》报道，人们相信到 2020 年，人工智能和机器学习可以在广告和销售方面创造额外的 2.6 万亿美元价值，在生产和交付链规划方面创造高达 2 万亿美元的价值。索引词：人工智能、物体检测、卷积神经网络、R-CNN [1]、Fast R-CNN [2]、Faster R-CNN [3]、YOLO [4]。
面向关键系统可信 AI 应用的工程化
此次事故的起因可以追溯到 InCobot 机械臂配备的人工视觉设备的训练方法。这只重约 50 公斤的手臂配备了一个摄像头，可以观察与人类操作员共享的环境，并检测附近是否有人手。视野中的手会打断机器人的移动，机器人会等待空间空闲后再采取行动。摄像头将其视频流发送到经过机器学习训练的系统。该系统基于通用的“YOLO”（You Only Look Once）技术，该技术广泛应用于计算机视觉，这是一种经过训练可识别日常物体的神经网络，其设计者强调其通用性，并通过“迁移学习”为其提供想要识别的特定物体的互补图像，从而实现专业化。
机器人俱乐部Toulon团队描述2024
由于实现了Yolo V7 Tiny的对象检测技术，因此该方法利用AI相机在环境中检测固定和动态对象。随后，系统将这些检测与同时获得的2D激光雷达数据集成在一起，从而区分了对地图重建至关重要的静态结构，同时消除了瞬态元素或移动障碍物，从而滤除了不可靠的点云数据与临时或非静态项目。另一方面，LIDAR与Kalman过滤器结合使用，用于评估对象相对于机器人的距离和位置。这个策划的数据集应实现更准确的大满贯，从而使机器人可以区分永久地标和短暂的障碍。最后，开发的算法在整个室内设置中计算机器人的运动和相对定位。
使用Python
Sasikumar B和Naveen Kumar M计算机申请硕士系Raja Rajeswari工程学院，班加罗尔，印度卡纳塔克邦，印度卡纳塔克邦，Prof.sasikumar.b@gmail.com和Naveenmeti9353@gmail.com摘要：与图像相同的应用程序，并在现实中进行了自动驾驶，并在现实中进行了验证计算机视觉。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。关键字：Yolo I.II。 CVPR 2016已发布。II。CVPR 2016已发布。CVPR 2016已发布。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。引言该项目的目标是利用流行的深度学习框架和Python来开发实时对象检测系统。在计算机视觉中，对象检测至关重要，因为它可以使计算机分析在图片或视频流中找到东西。主要文章是该模型的“发展”的准确和有效的对象，可以用于各种环境，例如智能环境，自动驾驶汽车和监视。查找和检测以识别图形或电视框架的事物是PC视图中对象感情的问题。在这项技术中有几种用途，包括安全性和监视，自动驾驶汽车和医疗成像。文学调查“您只看一次：统一，实时对象检测” Joseph Redman，Santosh Davila，Ross Airsick和Ali Faradic是作者。可以在此处找到指向纸的链接。摘要：在实时对象识别中Yolo（您只看一次）体系结构的效率被突出显示。“更快的R-CNN：它是带有区域建议网络的实时对象检测”[链接：更快的R-CNN论文] [作者：浅滩跑步，瞄准He，Ross Airsick，Jain Sun] [Jain Sun] [发布：NIPS：NIPS 2015] [摘要：摘要：较快的R-CNN方法均可使用该网络的准确性，该网络均可在ARTIME INDERS中介绍。ECCV 2016是出版年。“单镜头多食探测器”纸质概要：介绍SSD，一种用于完成“移动视觉应用程序卷积性感性网络：一种有效的方法“移动网”的技术检测技术。
用于视觉的物体检测系统...
本文全面介绍了该项目的开发过程及其显著贡献，该项目旨在打造一套专为视障人士定制的物体检测系统。该系统利用 Python 编程语言结合 YOLO（You Only Look Once，只看一次）算法，提供实时物体检测功能。本文深入探讨了所采用的方法、面临的挑战以及为优化系统性能、可用性和可访问性而设计的创新解决方案。通过协作，我们设计出了大量创新解决方案，涵盖算法选择、模型训练、硬件集成、用户体验设计、文档编制和持续改进等各个方面。这项协同努力的成果展现了在为视障人士提供增强的态势感知和导航辅助方面取得的显著进展，从而促进了社区的包容性和自主性。