YOLO (You Only Look Once)Détection d'objets en temps réel qui identifie plusieurs objets dans une passée d'image unique.
Aperçu
Fonctionnalités clés
- Détection d'objets en temps réel en un seul passage
- Prédiction de boîte de délimitation et de probabilité de classe
- Prise en charge des tâches de détection, de segmentation et de pose
- Modèles pré-entraînés sur des jeux de données courants comme COCO
- Déployable sur GPU, CPU et appareils de bord
- Formation personnalisable sur les jeux de données de l'utilisateur
Tarifs
- Modèle
- Freemium
- Catégorie
- Vision par ordinateur
- Note
- 4.8 / 5 (6)
Cas d’usage
Surveillance vidéo en temps réel
Détection et suivi de personnes, de véhicules ou d'objets d'intérêt dans les sources de diffusion de caméras de sécurité en temps réel utilisant l'inferrence rapide en passant seul de YOLO.
Perception des véhicules autonomes
Identification de piétons, de véhicules, de signes de circulation et d'obstacles en temps réel pour soutenir les décisions de conduite et de navigation dans les systèmes automobiles autonome.
Robotique et déploiement d'interface
Exécution de la détection d'objets directement sur le matériel d'interface et les robots, permettant une interaction réactive avec l'environnement sans dépendre du nuage.
Détection et formation sur les jeux de données de l'utilisateur
Affine les modèles de YOLO préréglés sur les jeux de données du client étiquetés pour détecter les objets spécifiques à un domaine d'applications industrielles, médicales ou de détail.
Pour & contre
Pour
- Inferrence extrêmement rapide appropriée pour les besoins en temps réel
- Écosystème open-source fort et support communautaire active
- Detecte de multiples classes d'objets en une seule passée
- Exécution sur le matériel d'interface et les dispositifs embarqués
- Améliorations continues à travers les versions du modèle
Contre
- Peut avoir du mal avec les petits objets ou les objets densely regroupés
- Nécessite des jeux de données étiquetés et une expertise en formation
- La licence varie selon les versions et les forks
- La précision peut être inférieure à celle des détecteurs à deux étages plus lents
Palmarès des batailles
Sur 1 bataille dans le Panthéon.
Last battle
Avis
Moyenne sur 6 avis.
Connecte-toi pour laisser un avis.
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.
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.
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.
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.
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.
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.
Questions & réponses
Les limitations principales de YOLO par rapport aux détecteurs à deux étapes sont
Le design YOLO à simple passage excelle en termes de vitesse, mais peut avoir du mal avec des objets très petits ou très denses, et son précision peut être inférieure à celle des détecteurs à deux étapes plus lents qui utilisent les propositions de région.
Asked by Esther Adeyemi · Sep 4, 2025
Puis-je entraîner une YOLO sur mon propre ensemble de données pour les classes d'objets personnalisées?
Oui, YOLO est entièrement personnalisable ; vous pouvez adapter des modèles préentraînés (p. ex., sur COCO) à l'aide de vos propres données étiquetés, bien que vous deviez ensuite avoir besoin d'expertise en étiquetage et d'expérience de formation.
Asked by Jasper Vermeer · Aug 12, 2025
Quel matériel est nécessaire pour exécuter YOLO en temps réel ?
YOLO peut être exécuté sur les GPUs, les CPUs, et les appareils edge ; pour une performance en temps réel, vous avez généralement besoin d'une GPU (p. ex., série NVIDIA RTX) mais le modèle prend également en charge l'inference sur les CPUs et le matériel embarqué avec des taux de rafraîchissement réduits.
Asked by Dara Fitzgerald · Jul 31, 2025
Poser une question
Alternatives à Vision par ordinateur
PimEyesVision par ordinateurmoteur de recherche d'images par visage pour trouver des photos en ligne d'une personne spécifique
Qate AIVision par ordinateurLa conformité à l'IA générative qui explore et test votre application comme une vraie utilisation.
Self-Parking Car EvolutionVision par ordinateurDémo d'algorithme génétique qui évolue des voitures à stationnement automatique virtuel dans le navigateur.
PykasoVision par ordinateurCréation d'images et de vidéos ultra-réalistes avec entraînement personnalisé de modèle LoRA.
Mapless AIVision par ordinateurPlateforme d'opération à distance des véhicules pour une gestion de flotte autonome et sécurisée.
Roboco AIVision par ordinateurCadre d'agent autonome AI pour la conception d'applications de robotique tâche dirigées
ExpertDevTechVision par ordinateurLogiciels personnalisés, IA et solutions numériques conçus pour accélérer la croissance d'entreprise.
Retouch4meVision par ordinateurUn complément de traitement photo à l'intelligence artificielle qui automatiser les aménagements de la peau, la couleur et le détail tout en conservant les textures naturelles.
Trending now
Biology AIFormation IAAide aux devoirs précise avec explications complètes
Reducto AIPlateformes de Développement d'Agents d'Intelligence ArtificielleAPI d'intelligence de document qui parse, divise, reconnait les chars et extrait les données structurées de complexes PDF, diapositives et tableurs.
Pixtral 12B 24.09Modèle de Langage LargeModele multimodal 12B gérant des images et du texte interrompus avec une fenêtre de contexte de 128 K.
AdCrierMarketing & PublicitéReponses sponsorises, payées par clic.