XiaoMi-AI文件搜索系统
World File Search SystemYolov8n
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。
yolov8在各种图像下进行车辆分类的分析
摘要。目的：这项研究的目的是使用Yolov8n，Yolov8s和Yolov8M在各种图像条件下检测车辆类型，并进行增强。方法：本研究利用黎明数据集上的Yolov8方法。该方法涉及使用预训练的卷积神经网络（CNN）处理图像并输出所检测到的对象的边界框和类。此外，还应用了数据增强来提高模型从不同方向和观点识别车辆的能力。结果：测试结果的MAP值如下：没有数据扩展，Yolov8n达到了约58％，Yolov8S得分左右约为68.5％，而Yolov8M的MAP值约为68.9％。然而，在应用水平翻转数据扩大后，Yolov8n的地图增加到约60.9％，Yolov8s提高到约62％，而Yolov8M的地图卓越，地图约为71.2％。使用水平翻转数据增强提高了所有三种Yolov8模型的性能。Yolov8M模型达到了71.2％的最高地图值，表明其在应用水平翻转增强后检测物体的有效性很高。新颖性：这项研究通过采用最新版本的Yolo，Yolov8来介绍新颖性，并将其与Yolov8n，Yolov8s和Yolov8M进行比较。使用数据增强技术（例如水平翻转）增加数据变化的使用也很新颖，在扩展数据集并提高模型识别对象的能力方面。关键字：CNN，数据增强，黎明，对象检测，Yolov8于2023年11月收到 /修订2024年2月 / 2024年2月接受此工作，该工作已在创意共享署名4.0国际许可下获得许可。
使用先进的深层激光扫描技术对增材制造的 Ti6Al4V 扫描电子显微镜图像进行实时数据驱动的微观结构缺陷检测
由于缺乏全面的数据集和缺陷类型的多样性，自动检测增材制造的 Ti6Al4V 材料中的微观结构缺陷面临巨大挑战。本研究介绍了一种应对这些挑战的新方法，即开发专门针对扫描电子显微镜 (SEM) 图像的微观结构缺陷数据集 (MDD)。我们使用此数据集训练和评估了多个 YOLOv8 模型（YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l 和 YOLOv8x），以评估它们在检测各种缺陷方面的有效性。主要结果表明，YOLOv8m 在精度和召回率之间实现了平衡，使其适用于可靠地识别各种缺陷类型中的缺陷。另一方面，YOLOv8s 在效率和速度方面表现出色，尤其是在检测“孔隙”缺陷方面。该研究还强调了 YOLOv8n 在检测特定缺陷类型方面的局限性以及与 YOLOv8l 和 YOLOv8x 相关的计算挑战。我们的方法和发现有助于科学地理解增材制造中的自动缺陷检测。MDD 的开发和 YOLOv8 模型的比较评估通过提供检测微结构缺陷的强大框架来推进知识水平。未来的研究应侧重于扩展数据集和探索先进的 AI 技术，以提高检测准确性和模型泛化能力。
空中对象检测分析
摘要。计算机视觉允许计算机从图像，视频和其他视觉输入中检索信息。无人驾驶汽车（UAV）技术也用于帮助计算机视觉从空中收集图像数据。本文旨在通过从对象上方垂直捕获图像来使用UAV进行树对象检测。图像数据是从2023年7月5日至12日从Sleman Yogyakarta附近收集的。总共将162张图像用作数据集。Yolov8n模型被实施至162张图像作为培训和验证数据。接下来，将其他12个图像用作测试数据。结果表明，Yolov8n可以从上方检测到树木。具有适当图像捕获的测试数据集的置信值超过80％。作为用于对象检测的深度学习算法，Yolo模型可以快速准确地执行对象检测。随后的研究将着重于使用Yolo算法来分析对象检测的实施，以测量开放绿色区域。
四个卷积神经网络的比较
摘要。运动图像分类是一项具有挑战性的任务，涉及多种类型的运动，在功能识别和次优检测结果方面遇到困难。这项研究采用了四个验证的模型，即残留网络50（Resnet-50），EfficityNet B7，密集连接的卷积网络121（Densenet-121），您只能查看一次版本8（Yolov8），以解决对100个不同运动图像类别进行分类的问题。数据集包含12200张体育图像，这是这项研究的强大实验基础。通过比较他们的表现，可以发现Resnet-50在训练集中表现出出色的性能，在验证集中的准确度为90.80％，88.75％的精度为88.75％。有效网络B7模型的训练精度为37.45％，推理的精度为62.42％。令人印象深刻的性能可能是由于其在处理特定的运动图像分类任务时的表示功能有限。densenet-121在培训中获得了71.791％的准确性，验证集获得了86.211％。与EfficityNet B7相比，其性能更好，这表明密集的连通性雅更适合提取图像特征。此外，Yolov8n模型在训练集的平均准确度中提供了出色的性能，验证集的平均精度为96.60％。这些结果展示了在运动图像分类和检测中yolov8n的圆润性能。总而言之，这项研究通过比较运动图像分类中不同算法的性能来解决解决复杂图像分类问题的宝贵见解。了解这些各种算法的优势和缺点对于更深入地理解图像分类任务和指导未来的研究努力至关重要。
自适应流量监控：整合ML和远景
车辆速度和数板检测系统旨在监视车辆速度并自动确定超过速度限制的车辆，从而使罚款向罪犯发行。该系统使用Yolov8预训练的模型（Yolov8n）从视频或图像中检测车辆，而排序算法则在每个检测到的车辆跨相机的视野中移动时跟踪每个检测到的车辆。使用公式（v = d/t \）计算车辆的速度，其中将时间（t）测量为车辆越过两个平行线，并使用欧几里得距离公式计算线之间的距离（d）。当发现车辆超速行驶时，该系统会使用车牌探测器来捕获车辆的注册号，该号码用于识别所有者以发出罚款或“ Challan”。该项目的代码在speed_detection.ipynb文件中实现，测试视频数据存储在视频文件夹中。
使用机器学习
摘要：表征2D材料中的缺陷，例如沉积化学蒸气（CVD）的裂纹 - 生长的六边形氮化硼（HBN）对于评估材料质量和可靠性至关重要。传统的特征方法通常是耗时且主观的，可以受到HBN的光学对比度有限的阻碍。为了解决这个问题，我们使用Matlab的Image Labeler并进行了对细致的注释和训练，利用了转移的CVD生长的HBN膜中的Yolov8n深学习模型来进行自动裂纹检测。该模型展示了有希望的裂纹检测能力，准确地识别了不同大小和复杂性的裂纹，并且损失曲线分析揭示了渐进式学习。然而，精确和回忆之间的权衡突出了需要进一步完善的必要性，尤其是在区分多层HBN地区的精细裂缝方面。这项研究证明了基于ML的方法简化2D材料表征并加速其集成到高级设备中的潜力。
Documents Retallack，A。E.，Ostendorf，B。当前...
摘要最近，使用深度学习和低计算的边缘设备用于分析基于视频的系统，尤其是在智能运输系统（ITS）的领域中，大幅增加了。在其开发低计算和准确的车辆计数系统中，计算机视觉技术的一种有希望的应用是可以用来消除对外部云计算资源的依赖性的。本文提出了一种紧凑，可靠和实时的车辆计数解决方案，该解决方案可以在低计算需求边缘计算设备上部署。该系统使用自定义的车辆检测算法，基于您仅查看一次版本8 nano（Yolov8n），并结合了深层关联度量标准（DeepSort）对象跟踪算法和有效的车辆计数方法，可在高速公路场景中准确计数车辆的准确计数。该系统经过训练，可以检测，跟踪和计算四个不同的车辆类别，即：汽车，摩托车，公共汽车和卡车。所提出的系统能够达到平均车辆检测平均平均精度（MAP）分数为97.5％，车辆计数精度得分为96.8％，平均速度为每秒19.4帧的平均速度（FPS），同时均被部署在紧凑型NVIDIA NVIDIA JETSON JETSON NANO NANO EDGE计算设备上。就准确性和速度而言，所提出的系统优于其他先前提出的工具。©（2024），（艾哈迈德·达兰大学）。保留所有权利。
YOLO驱动的轻巧移动实时害虫检测和基于Web的可持续农业监控
摘要 - 今天，有害生物侵扰导致全世界的农业生产力大大降低。为了控制害虫，由于难以在早期阶段手动检测害虫，农民经常施加过多的农药。他们过度使用农药已导致环境污染和健康风险。为了应对这些挑战，已经开发出许多新型系统来尽早识别害虫，从而使农民受到检测到害虫的确切位置的警报。但是，这些系统受到缺乏实时检测功能，有限的移动集成，仅检测少数有害生物类别的能力以及缺乏基于Web的监视系统的能力来限制。本文介绍了一个害虫检测系统，该系统利用了轻巧的Yolo深度学习框架，并与基于Web的监视平台集成在一起。研究并优化了包括Yolov8n，Yolov9T和Yolov10-N在内的Yolo对象检测体系结构，以在智能手机上检测有害生物。使用包含29个害虫类的公开数据集对模型进行了培训和验证。其中，Yolov9t以map@0.5的价值为89.8％，精度为87.4％，召回84.4％，推理时间为250.6ms。基于Web的监视系统可以通过为农民提供即时更新和可行的见解，以实现动态实时监控，以实现有效且可持续的害虫管理。从那里，农民可以立即采取必要的行动来减轻害虫损害，减少农药过度使用并促进可持续的农业实践。
2型糖尿病中心血管疾病风险的模式和决定因素：尼日利亚当前糖尿病管理状态的见解增强微型对象检测而无需微调：具有最新YOLO模型和RT-DETR Transformer
高分辨率图像中的微小对象检测（TOD）在计算机视觉中提出了持续的挑战，包括低分辨率，遮挡和混乱的背景。本文介绍了动态自适应引导的对象推理切片（GOIS）框架，这是一种新型的两阶段自适应切片方法，该方法将计算资源转移到了感兴趣的区域（ROIS）。这种方法显着提高了检测精度和效率，在平均精度（AP）和小物体的平均回忆（AR）指标方面取得了3-4倍的改善。此外，该框架在其他指标中显示出50–60％的大量增长，从而确保了各种物体尺度的稳健性能。在特定的情况下注意到大型检测的略有下降，但戈伊斯在检测中小型物体方面始终表现出色，有效地解决了TOD固有的关键挑战。戈斯框架可以通过统一的效率和稳定的效率来整合自适应切片，多尺度的表示，以及启发了效率的效果。其体系结构 - 不合骨设计允许与包括Yolo11，Rt-Detr-L和Yolov8n在内的各种最新检测模型无缝集成，而无需大量的重新训练。对Visdrone2019-DET数据集进行了严格的验证，并通过对低分辨率图像，视频流和实时相机供稿进行评估，重点介绍了Gois的变革潜力。这些发现将其适用于关键领域，例如基于无人机的监视，自主导航和精确的Di-Nostics。代码和结果可在https：// github上公开获取。com/ mmuzammul/ gois，可在https：// youtu上进行实时演示。BE/ T5T5EB_ W0S4。