- 综合排序
- 最热优先
- 最新优先
YOLO11实战——物体检测识别
一、前言 老周当时了解YOLO的时候是YOLO8，当时很火，但转眼间就YOLO11了。从官方给的性能图来看YOLO11大概是走到此类任务的天花板了，未来几年目标检测的任务可能不会再有很巨大的提升。 使用示例：https://docs.ultralytics.com/models/yolo11/#usage-examples # Load a COCO-pretrained YOLO11n model and train it on the COCO8 example dataset for 100 epochs yolo train model=yolo11n.pt data=coco8.yaml yolo predict model=yolo11n.pt source=https://github.com/ultralytics/assets/releases/download/v0.0.0/ 当YOLO11能识别1000种物体时，我们是否该思考：机器的'视力'终将超越人类？从医疗影像的早期病变检测，到自动驾驶的复杂路况判断，物体检测的边界正在被不断拓展。
81010编辑于 2025-12-24天气识别分类数据集6862张11类别
数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：6862 分类类别数：11 类别名称:["dew","fogsmog","frost","glaze"
19400编辑于 2025-07-15- 来自专栏Python和安全那些事
11.威胁情报实体识别 (2)基于BiGRU-CRF的中文实体识别万字详解
由于上一篇文章详细讲解ATT&CK威胁情报采集、预处理、BiLSTM-CRF实体识别内容，这篇文章不再详细介绍，本文将在上一篇文章基础上补充： 中文命名实体识别如何实现，以字符为主 以中文CSV文件为语料 [当人工智能遇上安全] 10.威胁情报实体识别之基于BiLSTM-CRF的实体识别万字详解 常见的数据标注工具： 图像标注：labelme，LabelImg，Labelbox，RectLabel，CVAT 'E-PER': 3, 'O': 4, '': 5, 'B-LOC': 6, 'E-LOC': 7, 'S-PER': 8, 'S-TIM': 9, 'B-TIM': 10, 'E-TIM': 11 , 'I-TIM': 12, 'I-LOC': 13} 需要注意：在实体识别中，我们可以通过调用该函数获取识别的实体类别，关键代码如下。 一.ATT&CK数据采集 二.数据预处理 三.基于BiLSTM-CRF的实体识别 1.安装keras-contrib 2.安装Keras 3.中文实体识别 四.基于BiGRU-CRF的实体识别 五.总结
79010编辑于 2024-02-23 - 来自专栏一“技”之长
iOS MachineLearning 系列（11）—— 自然语言识别与文本分析
iOS MachineLearning 系列（11）—— 自然语言识别与单词分析 在上一篇文章中，我们介绍了使用NaturalLanguage框架来进行自然语言的拆解，可以将一段文本按照单词，句子或段落的模式进行拆解 并且，在进行拆解时，其可以自动的识别所使用的语言。 语言识别是其他高级自然语言处理任务的基础，本篇文章还将介绍NaturalLanguage关于文本分析的能力，其能够对文本中的人名，地名和组织名进行识别，也可以对词性进行分析，如动词，名词。 1 - 语言识别 NLLanguageRecognizer类用来进行语言识别，其可以对输入的文本所使用的语言进行推断，使用非常简单。 ，我们也可以使用languageHypotheses方法来获取可能识别出的语言，返回的结果中会对识别出的每种语言的可信度进行标记。
1.2K10编辑于 2023-05-07 - 来自专栏决策智能与机器学习
算法集锦（11）| 自动驾驶 | 基于HOG和SVM的车辆识别算法
ycrcb 'bounding_box_size': 64, # 64 pixels x 64 pixel image 'number_of_orientations': 11 # 1, 2 'do_transform_sqrt': True } # [3 x 3 block positions] x [2 x 2 cells per block] x [11 （overlapping detection）或者假阳性识别（false positive detection）问题。 最终，有车辆存在的区域就会变得越来越“热”，从而识别出车辆的准确位置。 此外为了解决交叉识别和假阳性检测问题，应用了热点图技术。
1.7K20发布于 2020-08-04 - 来自专栏ATYUN订阅号
iOS11真机运行CoreML图像识别demo（Object C 版）
前几天做了一版CoreML在模拟器上进行识别图片的demo，是使用官方推荐的swift语言编写的，今天抽空把CoreML在Object C上再基于上一版完善一些功能，实现拍照识别，相册识别。 今天要做的是一个在真机上运行的demo，而CoreML的运行环境要求是iOS 11，所以，我们要有一台能安装iOS 11的设备，推荐iPhone6s以上机型。 iOS 11怎么升级，虽然目前苹果仅放出了iOS11开发者预览版，但如果你有备用机，或者想先试试升级，在这里我们教你快速升级到iOS 11开发者预览版（需要注意的是，目前iOS11还处于开发者测试阶段， 4、点击需要安装的设备，然后按照流程确认安装 我本机已经升级到iOS 11就不往下一步进行了，安装完描述文件会提示您重启，重启后再设置-通用-软件更新里面就能看到iOS 11 Developer beta VNClassificationObservation对象有两个参数 1.confidence 识别率,值越高应该是越接近的 2.identifier 识别结果 最后来看看CoreML识别结果：
2.4K80发布于 2018-03-02 - 来自专栏CreateAMind
YOLO11-JDE：快速精准的多目标跟踪与自监督重识别
YOLO11-JDE: Fast and Accurate Multi-Object Tracking with Self-Supervised Re-ID YOLO11-JDE：快速精准的多目标跟踪与自监督重识别 https://www.arxiv.org/pdf/2501.13710 摘要 我们提出了 YOLO11-JDE ，一种快速且准确的多目标跟踪（MOT）解决方案，它将实时目标检测与自监督的重识别（Re-Identification 虽然目标检测的目标是通过特征聚类来区分不同类别对象，重识别（Re-ID）则要求在同类对象内部具备一定的特征差异性，以便对同一类别中的不同个体进行有效区分。 Re-ID Loss重新识别损失 对于一个给定的训练批次，模型会输出 N 个前景预测结果 ，每个预测都附带一个具有对应真实身份标签的嵌入向量。 在身份切换（IDs）指标上，YOLO11-JDE 也优于许多竞争方法，这表明其所生成的嵌入特征具有良好的判别能力。因此，我们认为其整体跟踪性能受限主要源于检测能力的不足，而非重识别能力的问题。
32610编辑于 2026-03-11 - 来自专栏机器人课程与技术
ROS2+Gazebo11+Car+OpenCV巡线识别和速度转向控制学习
ROS2+Gazebo11+Car+OpenCV获取巡线视觉数据学习 ROS2+Gazebo11+Car+OpenCV录制视觉数据和控制学习 ---- 完成如上两篇学习和练习之后，开启自主巡线之旅。
69110编辑于 2022-06-12 - 来自专栏TensorFlow从0到N + Rust
TensorFlow从0到1 - 11 - 74行Python实现手写体数字识别
MNIST 早在1998年，在AT&T贝尔实验室的Yann LeCun就开始使用人工神经网络挑战手写体数字识别，用于解决当时银行支票以及邮局信件邮编自动识别的需求。数据集MNIST由此产生。 人们希望学习训练集（training set）后获得的模型，能够识别出从未见过的样本，这种能力就是泛化能力，通俗的说，就是举一反三。 模型的训练过程，就是不断的使识别结果趋近于标签的过程。基于标签的学习，称为有监督学习。 代码开始运行，30次迭代学习后，识别准确率即可达到95%。这个识别率是未去逐个优化超参数，就能轻松得到的，可以把它当做一个基线水准，在此基础上再去慢慢接近NN的极限（99.6%以上）。 return sigmoid(z) * (1 - sigmoid(z)) 下载 nndl_11_network.py
2.1K60发布于 2018-04-11 - 来自专栏燧机科技-视频AI智能分析
非机动车占道车辆逆行识别系统 YOLOv11+RNN
本文提出基于YOLOv11目标检测与时空特征融合的智能识别系统，通过多光谱感知-动态行为建模-分级执法联动技术架构，实现0.3-15m/s全场景检测精度（实验室数据），实测响应延迟＜0.6秒。 （二）算法层核心设计 YOLOv11违规行为检测优化 针对非机动车“小目标（远距骑行者）”“动态遮挡（行人遮挡）”问题，优化模型结构与训练策略： # YOLOv11模型配置（非机动车场景定制） from ultralytics import YOLO model = YOLO('yolov11s.yaml') # 平衡精度与速度 model.model.nc = 6 # 6类：非机动车占道 data='nonmotor_violation.yaml', epochs=200, imgsz=1280) # 基于8万+标注样本训练时空特征融合网络（RNN-LSTM混合架构） 融合YOLOv11 非机动车占道车辆逆行识别系统依托于 YOLOv11+RNN 深度学习算法，非机动车占道车辆逆行识别系统集成 AI 大模型对于非机动车占道、逆行等违法行为，实现了实时检测抓拍，哪怕是车流人流中稍纵即逝的违规行为
47400编辑于 2026-01-11 - 来自专栏AutoML(自动机器学习)
Andrew Ng机器学习课程笔记--week11（图像识别&总结划重点）
（Character segmentation）——将文字分割成一个个单一的字符 字符分类（Character recognition）——文字识别 ? 假使我们需要在一张图片中识别行人，首先要做的是用许多固定尺寸的图片来训练一个能够准确识别行人的模型。 然后我们用之前训练识别行人的模型时所采用的图片尺寸在我们要进行行 人识别的图片上进行剪裁，然后将剪裁得到的切片交给模型，让模型判断是否为行人，然后在图片上滑动剪裁区域重新进行剪裁，将新剪裁的切片也交给模型进行判断 首先按照最开始的模型得出最终的系统识别准确率为72%。 之后我们人为的提高上面三个环节的准确率接近100%，然后观察系统准确率的变化。 其他同理，可以看到提高 文字识别(Character recognition) 这一步骤的准确率可以使得系统准确率达到100%，所以接下来的工作则是尽量提高文字识别这一步骤的准确率，而不是另外两个步骤。
97150发布于 2018-01-23 - 来自专栏燧机科技-视频AI智能分析
骑电瓶车不戴头盔识别检测系统 基于YOLOv11与RNN
本文提出一种基于YOLOv11目标检测与RNN时序分析的智能识别检测系统，通过“多目标检测-行为时序研判-分级联动干预”机制，实现对骑电瓶车不戴头盔行为的毫秒级识别、证据留存与主动提醒。 （二）算法层：YOLOv11+RNN双模型协同分析 核心采用“YOLOv11目标检测+RNN时序行为研判”两级算法：YOLOv11目标检测：定位画面中“骑行者”“电瓶车”“头盔（佩戴/未佩戴）”等目标， # 加载YOLOv11预训练权重并修改配置 model = YOLO('yolov11s.pt') # 轻量化模型 model.model.nc = 6 # 6类目标（戴头盔/未戴头盔/骑行者 （二）技术创新优势 多特征融合识别：结合“头部状态（YOLOv11）+时序持续性（LSTM）”，解决单一帧误判（如头盔滑落瞬间）； 动态阈值调整：根据时段（高峰时段放宽判定缓冲时间至8秒）、区域（学校周边缩短阈值至 骑电瓶车不戴头盔识别检测系统的核心是 YOLOv11+RNN 深度学习算法，骑电瓶车不戴头盔识别检测系统通过安装在城市道路周界区域的高清摄像头一旦检测到骑行者未佩戴安全头盔，系统会立即触发报警机制，一方面将当时的图像抓拍并传输到管理中心
54510编辑于 2025-12-27 - 来自专栏腾讯高校合作
Wiztalk | 148期 崔原豪《11分钟了解凌空手势识别技术》
---- 本期内容 视频作者： 北京邮电大学 崔原豪 本期题目： 《11分钟了解凌空手势识别技术》 内容简介： 科幻电影中角色手一挥便能对悬浮空中的界面进行操作的行为看上去让人印象深刻，而在现实生活中 本期崔原豪老师将用11分钟带我们好好了解一下凌空手势识别这门技术。
66240编辑于 2022-03-03 - 来自专栏决策智能与机器学习
智能识别方面主要进展 | 语音识别、OCR识别、图像识别、生物识别…… | 智能改变生活
识别与分类技术可应用于图像识别、医疗诊断、生物识别、信号识别和预测、雷达信号识别、经济分析，以及在智能交通管理、机动车检测、停车场管理等场合的车牌识别等很广泛的领域。 语音识别：语音识别行业现在似乎维持着最大的平衡，因为国内外各家的引擎识别率都基本在同一个水平线上，差不多达到了当前语音识别技术的极限，彼此之间差距不是那么明显。 国内著名的车牌识别产品主要有中科院自动化研究所汉王公司的汉王眼、北京文通科技有限公司的文通车牌识别系统等。 ? 虹膜识别：现代信息社会对精准识别的需求，呼唤更加不可替代的生物体特征，虹膜识别应运而生。 目前主要应用有证件识别、银行卡识别、名片识别、文档识别、车牌识别等。 ? 唇语识别：相较于前文提到的语音识别、车牌识别、人脸识别等难度更大，其很大程度上取决于语言的语境和对其的了解，而这些都只通过视觉来呈现的。
6.2K30发布于 2020-08-04 - 来自专栏青年夏日
视频识别 动作识别 实时异常行为识别 等所有行为识别
大家好，我是cv君，很多大创，比赛，项目，工程，科研，学术的炼丹术士问我上述这些识别，该怎么做，怎么选择框架，今天可以和大家分析一下一些方案： 用单帧目标检测做的话，前后语义相关性很差（也有优化版）， 当然可以通过后处理判断下巴是否过框，效果是不够人工智能的），高抬腿计数，目标检测是无法计数的，判断人物的球类运动，目标检测是有很大的误检的：第一种使用球检测，误检很大，第二种使用打球手势检测，遇到人物遮挡球类，就无法识别目标 开始 目前以手势和运动识别为例子，因为cv君没什么数据哈哈 项目演示： 本人做的没转gif，所以大家可以看看其他的演示效果图，跟我的是几乎一样的~ 只是训练数据不同 一、 基本过程和思想
5.6K20发布于 2021-04-18 - 来自专栏三流程序员的挣扎
2022-11-11-工作
昨天的控件点击时通过外面，加个 listener。然后如果外部设定当前选中位置，也要刷新一下页面，所以刷新逻辑放到设置 textSelectedIndex 中去。
28430编辑于 2022-11-13 - 来自专栏风吹杨柳
2014-11-8Android学习------手势识别事件的处理GestureDetector--------动画Animation学习篇
.zip 我的博客写的比较乱，如果本篇文章没有看懂， 请先看上篇文章，地址：http://blog.csdn.net/u014737138/article/details/40921115 手势识别的处理非常的常用 public static final int RIGHT = 3; private int mPosition;//方向，对应上面的四个方向 当我们理解了这些必须的条件之后，我们就去看看手势识别事件的处理是怎么干的 ： Android中的Gesture识别(detector)是通过GestureDetector.OnGestureListener接口实现的。
1K40编辑于 2022-03-07 YOLO11-JDE：利用自监督再识别技术实现快速准确的多目标跟踪
摘要YOLO11-JDE，它是一种快速准确的多目标跟踪（MOT）解决方案，将实时目标检测与自监督再识别（Re-ID）相结合。 通过在YOLO11s中加入专门的再识别分支，该模型可以执行联合检测和嵌入（JDE），为每次检测生成外观特征。 进入YOLO11-JDE，这是一个改变游戏规则的框架，它使用联合检测和嵌入（JDE）将检测和重新识别（Re-ID）合并为一个简化的模型。结果如何？超快速、准确且参数高效的MOT解决方案。 联合检测和嵌入JDE模型在单个网络中执行对象检测和再识别特征提取，以缩短推理时间。 因此，我们将YOLO11-JDE在整体跟踪方面的较低表现归因于该模型检测能力的局限性，而非其重新识别能力。
1.5K10编辑于 2025-02-17- 来自专栏静心物语313的Coding
Oracle11g监听程序当前无法识别连接描述符中请求的服务
一：打开cmd，输入sqlplus system/***** (注****表示密码) 能连接Oracle数据库；但输入 sqlplus system/******@orcl11g 点回车则显示 监听程序当前无法识别连接描述中请求的服务 ； 二：使用SQL/PLUS工具连接也是显示一样的结果 监听程序当前无法识别连接描述中请求的服务 ; 三：解决方法： i): 打开这个文件 D:\oracle_11g\product\11.2.0 \11.2.0\dbhome_1\bin\oraclr11.dll") ) 然后在这后面添加这样语句： (SID_DESC = (GLOBAL_DBNAME = orcl11g ) (ORACLE_HOME = D:\oracle_11g\product\11.2.0\dbhome_1) (SID_NAME = orcl11g) ) iii)自己按照IP或者数据库实例名修改后保存，再重启数据库监听服务；运行 sqlplus system/******@orcl11g 连接成功;
1.5K30发布于 2020-03-24 - 来自专栏机器人课程与技术
ROS机器人项目开发11例-ROS Robotics Projects（4）物体检测与识别
ROS Robotics Projects（4）物体检测与识别 这是本书的第6章，包括使用单目和深度视觉，分别为2D和3D的检测和识别。 用到了一些Github上已有的库和功能包。 years ago find_object_3d_kinect2.launch Update find_object_3d_kinect2.launch 2 years ago ---- 3D物体识别
1.9K20发布于 2019-01-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号