-
如何實現(xiàn) YOLO 模型的實時性能
一款針對 4GB Jetson Orin Nano 設備進行物體檢測的高性能 C++ 實現(xiàn)。對 YOLOv8(成功)與 YOLOv26(挑戰(zhàn))進行基準測試
-
基于改進YOLOv8的工業(yè)表面缺陷檢測：輕量化網(wǎng)絡設計與多尺度特征融合的精度-速度平衡策略
工業(yè)表面缺陷檢測是智能制造的核心環(huán)節(jié)，直接影響產(chǎn)品質(zhì)量與生產(chǎn)效率。傳統(tǒng)檢測方法依賴人工目檢或基于規(guī)則的圖像處理，存在效率低、漏檢率高、泛化性差等問題。深度學習尤其是YOLO系列算法的興起，為工業(yè)缺陷檢測提供了自動化解決方案。然而，工業(yè)場景中缺陷類型多樣、尺度跨度大(從微米級劃痕到厘米級凹坑)，且對實時性要求極高(產(chǎn)線速度常達每分鐘數(shù)百件)，這對檢測模型的精度與速度平衡提出了嚴峻挑戰(zhàn)。
-
如何在Jetson Nano上使用YOLOv8實時檢測和計數(shù)空白空間
YOLOv8(你只看一次，版本8)。是一種最先進的物體檢測模型，以其速度和準確性而聞名。它能夠快速準確地實時識別物體，使其成為空空間檢測應用的理想選擇。通過定制YOLOv8，我們可以訓練模型專門識別Empty Space，增強其有效性。
