YOLO (You Only Look Once)Reálný rozpoznání objektů při jedné procházce obrazem, která identifikuje více objektů uvnitř jednoho obrazového záběru.

4.8 (6)

Recenzováno Daniel Nikulshyn·Aktualizováno květen 2026

Computer Vision Object Detection Open Source Real-Time Edge AI Deep Learning Pretrained Models

1 / 2

Přehled

YOLO (You Only Look Once) je rodinou algoritmů pro detekci objektů navržených pro rychlost a účinnost. Na rozdíl od tradičních detekčních systémů, které aplikují model na obraz na více místech a měřítkách, YOLO rámuje detekci jako jediný regresní problém, předpovídající ohraničující rámy a pravděpodobnosti tříd v jediném dopředném průchodu neuronovou sítí. Tato architektura činí YOLO obzvláště vhodným pro aplikace v reálném čase, jako je analýza videa, autonomní vozidla, robotika, dohled a rozšířená realita. Následné verze (YOLOv3, v5, v7, v8 a další) zlepšily přesnost, rozšířily podporu úloh o segmentaci a odhad polohy a udržely pověst rámce pro rychlé odvozování. YOLO je široce používán výzkumníky a vývojáři díky své open-source implementaci, aktivní komunitě a vyváženosti mezi přesností detekce a rychlostí zpracování jak na GPU, tak na edge zařízeních.

Klíčové funkce

Jednosměrná reálné rozpoznávání objektů
Přísudky rámečku a předpovědi třídy
Podpora detekce, segmentace a úzce stanovené činnosti
Předtrénované modely na běžných datech jako COCO
Tříditelnost na GPU, CPU a edge hardwaru
Způsobitelná tréninková cvičení na uživatelské datech

Ceník

Model: Freemium
Kategorie: Počítačové vidění
Hodnocení: 4.8 / 5 (6)

Případy užití

Reálné video hlídaní

Rozeznat a sledovat lidi, vozidla nebo zajímavé objekty v přímých přenos z bezpečnostních kamer pomocí rychlé jednosměrné inferenci YOLO.

Autonomní vozidla a vnímání

Vyřadit chodce, auta, dopravní značení a překážky v reálném čase, aby podporovaly rozhodování o řízení a navigaci v systému samojezdění.

Robotika a hranicová instalace.

Proběhnout rozpoznávání objektů přímo na integrovaném hardwaru a robotech, čímž umožňují činitelé odpovídající interakce s prostředím bez závislosti na cloudovém úložišti.

Širokoumístné detekce a úprava tréninkové data

Svouť roztrženým předtrénovaným modely YOLO v užitečných datech pro rozpoznávání doménových objektů pro průmyslové, lékařské nebo prodejské aplikace.

Pro a proti

Pro

Zcela rychlá inferencia vhodná pro použití v reálném čase
Silné otevřené prostředí sítě a komunitou podpory
Vyšetřuje více tříd objektů za jedinou průchod
Spustitelné na hardwarem hranicového zařízení a integrovaných jednotek
Nastavení trvalé úpravy modelů v jednotlivých verzích

Proti

Mohlo by se obtížně s malými nebo hustě uprostřed objektů
Je nutná odbornost a data s odborným označení
Licence se liší v různých verzích a odnožích
Přesnost může trénovat pomalejší dvoufázové detektory

Rekord bitev

Ve 1 bitvě v Pantheonu.

Last battle

#4
Computer Vision Showdown — February 5, 2024
Feb 5, 2024 · #4 of 8

Recenze

4.8

Průměr z 6 hodnocení.

Přihlas se, abys mohl napsat recenzi.

Olga Ivanova

Mar 16, 2026

Does the job

Pretty happy overall. Support for detection, segmentation, and pose tasks just works and runs on edge hardware and embedded devices. Requires labeled datasets and training expertise can be annoying, but no dealbreakers — I'd recommend it to a friend without hesitating.

Daniel Schmidt

Oct 8, 2025

Solid for our team

We rolled this out across the team last quarter and continual improvements across model versions. Pretrained models on common datasets like COCO fits neatly into how we already work, and deployable on GPU, CPU, and edge devices removed a step we used to do by hand. but it has held up under daily use.

Hiroshi Tanaka

Sep 20, 2025

Use it every day

Honestly didn't expect to like it this much. Support for detection, segmentation, and pose tasks is exactly what I needed, and strong open-source ecosystem and community support. I do wish requires labeled datasets and training expertise, but I reach for it almost every day now and it just clicks.

Margaret Whitfield

Sep 12, 2025

Use it every day

Honestly didn't expect to like it this much. Customizable training on user datasets is exactly what I needed, and continual improvements across model versions. I do wish can struggle with small or densely packed objects, but I reach for it almost every day now and it just clicks.

Carlos Mendoza

Aug 1, 2025

Years in this space

I've evaluated a lot of these over the years. What stands out here is pretrained models on common datasets like COCO — handled better than most — and extremely fast inference suitable for real-time use. Requires labeled datasets and training expertise is my one real gripe. Worth the time if this is your use case.

Diego Fernández

Jul 12, 2025

Compared a few options

Evaluated this against two competitors. Where it wins: customizable training on user datasets and extremely fast inference suitable for real-time use. Where it lags: requires labeled datasets and training expertise. On balance the feature set — especially customizable training on user datasets — justifies the 5 stars for our use case.

Otázky

Jaké jsou hlavní omezení YOLO v porovnání se dvoustupňovými detektory?

Jednorázový design YOLO exceluje v rychlosti, ale může mít potíže s velmi malými nebo hustě zabalenými objekty, a jeho přesnost může být nižší než u pomalejších, dvoustupňových detektorů, které používají regionální návrhy.

Asked by Esther Adeyemi · Sep 4, 2025

Mohu trénovat YOLO na svém vlastním datasetu pro vlastní třídy objektů?

Ano, YOLO je zcela přizpůsobitelné; můžete doladit předtrénované modely (např. na COCO) pomocí vlastního označeného datasetu, přičemž budete potřebovat znalosti v oblasti označování a zkušenosti s trénováním.

Asked by Jasper Vermeer · Aug 12, 2025

Jaký hardware je potřeba pro provozování YOLO v reálném čase?

YOLO může běžet na GPU, CPU a edge zařízeních; pro výkon v reálném čase obvykle potřebujete GPU (např. NVIDIA RTX série), ale model také podporuje inference na CPU a vestavěném hardwaru s nižším počtem snímků za sekundu.

Asked by Dara Fitzgerald · Jul 31, 2025