XiaoMi-AI文件搜索系统
World File Search SystemYOLOv11
yolov11用于车辆检测
准确的车辆检测对于开发智能运输系统，自动驾驶和交通监控至关重要。本文介绍了Yolo11的详细分析，这是Yolo系列深度学习模型的最新进步，专门针对车辆检测任务。Yolo11在其前辈的成功之下，介绍了旨在在复杂环境中增强检测速度，准确性和鲁棒性的建筑进象。使用包含多种车辆类型的全面数据集（卡车，卡车，公共汽车，摩托车和自行车），我们使用诸如精度，召回，F1得分和平均平均精度（MAP）等指标来评估Yolo11的性能。我们的发现表明，Yolo11超过了先前的ver（Yolov8和Yolov10），可以在保持较小和更具遮挡的车辆的同时保持竞争性推理时间，从而适合实时应用。比较分析表明，复杂车辆几何形状的检测显着改善，进一步有助于开发高效且可扩展的车辆检测系统。这项研究强调了Yolo11增强自动驾驶汽车性能和交通监控系统的潜力，为该领域的未来发展提供了见解。
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。
yolov11变体的性能基准测试 -
使用指标（例如平均平均精度（MAP，标准度量测量检测准确性）在整个交叉点（IOU）阈值从50％到95％（定义了预测和地面实现框之间的重叠），精度，召回和GPU和CPU的跨越速度。The results highlight trade-offs between model complexity and performance: smaller variants like YOLOv11-n achieved faster inference speeds (170.74 FPS on GPU and 5.86 ms on GPU), while larger models like YOLOv11-x excelled in detection accuracy and recall but at the cost of slower speeds (240.03 FPS on GPU and 4.17 ms on GPU).yolov11-s提供了最高FPS（1120.46 GPU FPS）的平衡，但准确性和回忆为中等。这些发现证明了Yolov11变体对应用程序要求的适应性，从高速实时系统到优先级检测准确性的场景。这项研究通过为yolov11变体提供详细的性能基准来推进对象检测。它提供了在不同领域中部署Yolov11的实用见解，包括物流，交付跟踪和其他需要有效且准确的对象检测的域。关键字：Yolo; Yolov11;对象检测模型；深度学习计算机视觉；神经网络；
使用Fine-...
摘要 - 空中车辆的广泛采用，包括无人机和无人机，为监视，物流和灾难响应等领域带来了重大进步。尽管有这些好处，但它们增加的使用却构成了实时检测和分类的实质性挑战，尤其是在精确性和可伸缩性必不可少的多级场景中。本文提出了一个基于Yolov11的高性能检测框架，该框架专门针对识别机载汽车量身定制。Yolov11整合了创新功能，例如锚定检测和增强注意力机制，以提供卓越的准确性和速度。在全面的机载车辆数据集上测试了所提出的框架，该数据集具有不同的条件，包括高度，遮挡和环境因素的变化。实验结果表明，微调的Yolov11模型超过了现有模型的性能。此外，它的实时操作能力使其非常适合空中交通管理和安全监控等关键应用程序。