YOLO-ESFM：一种用于海面目标检测的多尺度YOLO算法
为解决这些问题，我们提出一种创新方案：将高效尺度融合模块（ESFM）融入先进的YOLO架构，从而得到增强模型YOLO-ESFM。ESFM在检测中既充当骨干网络，又作为头部网络，与基准模型YOLOv5、YOLOv7-tiny和YOLOv7相比，显著提升了性能。此
yolo
硬核！大佬花150元，做了个AI桌面助手！支持YOLO，翻译等
可进行二次开发，或者作为课设和毕设的参考仅复刻的话，无需编译Linux系统，直接使用提供的固件即可，大大简化操作（但需要会基本的Linux命令）不想复刻这个开发板，重新编译，软件可以在任何Linux设备跑，也可以在你的ubuntu虚拟机跑仿真如果深入学习，可以
yolo v8.3.141重磅更新！自动识别RTDETR模型，GPU智能选择，C++！
自从YOLO系列算法问世以来，它以高效、准确、实时的目标检测能力风靡全球，成为计算机视觉领域不可或缺的利器。Ultralytics作为YOLO官方开源团队，一直致力于将最先进的目标检测技术带给开发者与科研人员。
yolo v8.3.139重大升级解读：释放数据导出新能量，打造高效视觉智
随着人工智能与计算机视觉的快速发展，YOLO（You Only Look Once）系列无疑是目标检测领域的“顶流”技术。2024年最新v8.3.139版本重磅发布，带来了里程碑式的功能升级，尤其是全新DataExportMixin类的加入，为用户带来多格式智
yolo v8.3.135更新，模型导出更稳定，预测速度大提升！全面解读！
在计算机视觉领域，Ultralytics YOLO因其卓越的目标检测性能和易用性备受开发者喜爱。2025年5月15日，Ultralytics官方发布了YOLO v8.3.135版本，这次更新不光带来了性能提升，还在模型导出、视频处理和多图预测等方面进行了重要优
模型 预测 quit ultralytics yolo 2025-05-17 07:41 6
YOLO算法+关键点检测，助力牙周病精准诊断
计算骨质流失百分比是牙周病分期的一项关键检测指标，但人工计算有时并不精确且耗时。本研究评估了深度学习关键点和对象检测模型 YOLOv8-pose在自动识别局部牙周骨质流失地标、条件和分期方面的应用。YOLOv8-pose在193张有注释的根尖周放射照片上进行了
YOLO v8.3.133全新发布：从数据校验到边缘部署，多维升级全面提升
2025年5月13日，Ultralytics官方推出了YOLO v8.3.133版本。作为深度学习目标检测领域备受瞩目的轻量级高效模型，YOLO（You Only Look Once）系列的这次更新带来了极具价值的改进，从根本上优化了数据集管理、边缘设备兼容性
YOLO v8.3.130震撼发布！模型启动更快，训练更透明，部署更稳健！
近年来，YOLO（You Only Look Once）系列凭借其开创性单阶段目标检测架构，在计算机视觉领域占据主导地位，广泛应用于工业、安防、自动驾驶等多领域。Ultralytics不断优化YOLO框架，以满足用户对速度、性能和易用性的不断提升需求。
基于气象模拟增强的航空图像优化：提升YOLO模型在海上搜救人体检测的跨环境鲁棒性
春夏季节是落水事故的高发期，恶劣天气、复杂海况和低能见度环境对搜救工作构成严峻挑战。据统计，2024年仅美国海岸警卫队（USCG）就执行了7,651起搜救任务（SAR），其中前6个月部署了超过1,322架次SAR直升机，突显了海上救援的高需求。为提升复杂环境下
YOLO半自动标注技术助力铁路检测，人工标注时间骤降80%！
大规模图像和视频数据集的人工标注通常耗时、易错且成本高昂，这成为铁路视频故障检测中机器学习工作流的主要瓶颈。本研究提出一种半自动化标注方法，利用预训练的YOLO（You Only Look Once）模型优化标注流程，提升铁路视频故障检测精度。通过以小规模人工
yolo v8.3.103发布！RayTune断点续训、CoreML兼容性升级效率飙升
Ultralytics团队近日发布了YOLO v8.3.103版本，带来了一系列重磅升级！无论是超参数调优、实例分割可视化，还是CoreML兼容性，这次更新都让人眼前一亮！下面，就让我们一起来看看这次更新的核心亮点吧！
打破单一视角！融合红外和可见光，YOLO算法实现全天候无人机检测
无人机或无人驾驶飞行器传统上用于军事任务、战争和间谍活动。然而，由于涉及安全和检查、转运、研究目的和娱乐性无人机飞行的多种工业应用，无人机的使用量大幅增加。公共场所无人机活动量的增加要求采取监管行动，以保护隐私和安全。因此，对非法无人机活动（如侵占边界）的检测
yolo v8.3.101震撼更新！视频推理+视觉提示一键搞定
from ultralytics import YOLO# 视频推理（自动首帧视觉提示）model = YOLO('yoloe.pt')results = model.predict('input_video.mp4', rect=True) # 启用矩形推理
yolo v8.3.99发布：全球首个YOLOE开放词汇模型，支持文本视觉提示
引言“YOLO家族再添新成员！” Ultralytics官方最新发布的v8.3.99版本，正式推出YOLOE（YOLO Open-vocabulary Edition）模型，彻底打破传统目标检测的类别限制，支持开放词汇检测、分割、文本/视觉提示驱动任务！无论是
YOLO算法改进 | YOLO11改进揭秘，前沿论文精华预览
众所周知，YOLO系列一直是计算机视觉领域的研究热点。作为其最新力作，YOLO11在2025年无疑将成为各大顶级会议的焦点。原因在于，一方面，YOLO系列的其他版本改进空间已趋于饱和，而YOLO11问世不久，尚有广阔的创新空间。另一方面，YOLO11在保持高准
从2阶段卷积神经网络到1阶段YOLO模型
也就是说，一个典型的Region-base方法的流程是这样的：先通过计算机图形学（或者深度学习）的方法，对图片进行分析，找出若干个可能存在物体的区域，将这些区域裁剪下来，放入一个图片分类器中，由分类器分类。
目标检测新视野 | YOLO、SSD与Faster R-CNN三大目标检测模型深度对比分析
随着人工智能和计算机视觉技术的不断发展，目标检测作为一种关键的技术，广泛应用于多个领域。从安防监控到自动驾驶，从工业检测到医疗影像分析，目标检测技术正在改变着我们的生活方式和工作效率。近年来，以深度学习为基础的目标检测算法取得了显著进展，其中YOLO、SSD和
YOLO 模型 COCO 数据集中所有类别的完整列表
YOLO 模型的类别数量取决于训练时使用的模型配置和数据集。例如，yolov8m.pt 是基于 COCO 数据集训练的，它包含 80 个类别。以下是 COCO 数据集中所有类别的完整列表：
RT-DETR全解析：超越 YOLO，实时物体检测更快更精准（附代码）
近年来，物体检测技术在许多领域取得了显著进展，如视频监控、自动驾驶、智能家居等。传统的物体检测模型，如YOLO（You Only Look Once）系列，已经在实时检测任务中得到了广泛应用，但仍然存在一些限制，比如速度与精度的平衡问题。