YOLO (You Only Look Once)Valós idejű objektumfelismerés, amely egyetlen képátjáratban azonosít több objektumot.

4.8 (6)

Értékelte Daniel Nikulshyn·Frissítve 2026. május

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

1 / 2

Áttekintés

A YOLO (You Only Look Once) egy olyan objektumfelismerő algoritmuscsoport, amelyet sebességre és hatékonyságra terveztek. A hagyományos észlelési rendszerekkel ellentétben, amelyek egy képre többszörös helyen és skálán alkalmaznak egy modellt, a YOLO a detektálást egyetlen regressziós problémaként kezeli, előrejelezve a bounding boxokat és osztályvalószínűségeket egy ideiglenes hálózaton keresztül történő előrehaladás során. Ez az architektúra különösen alkalmassá teszi a YOLO-t valós idejű alkalmazásokhoz, például videóelemzéshez, autonóm járművekhez, robotikához, megfigyeléshez és kiterjesztett valósághoz. A későbbi verziók (YOLOv3, v5, v7, v8 és tovább) javították a pontosságot, bővítették a feladatokat a szegmentálásra és a póz becslésére, és fenntartották a keretrendszer hírnevét a gyors következtetések terén. A YOLO széles körben elfogadott a kutatók és fejlesztők körében az nyílt forráskódú megvalósítások, az aktív közösség és az egyensúly miatt a detektálási pontosság és a feldolgozási sebesség között, mind a GPU-kon, mind az él eszközökön.

Fő funkciók

Egyetlen áthaladású valós idejű objektumfelismerés
Bounding box és osztályvalószínűség előrejelzése
Támogatás a detektálási, szegmentálási és pózfeladatokhoz
Előre betanított modellek közös adathalmazokon, például a COCO-n
Telepíthető GPU, CPU és él eszközökön
Egyedi betanítás felhasználói adathalmazokon

Árazás

Modell: Freemium
Kategória: Számítógépes látás
Értékelés: 4.8 / 5 (6)

Felhasználási esetek

Valós idejű videómegfigyelés

Érzékelje és kövesse a személyeket, járműveket vagy érdekes tárgyakat élő biztonsági kamerafolyamokban a YOLO gyors, egyetlen áthaladású következtetésével.

Autonóm járműészlelés

Azonosítsa a gyalogosokat, autókat, forgalmi táblákat és akadályokat valós időben a vezetési és navigációs döntések támogatására az önvezető rendszerekben.

Robotika és élbevetítés

Futtassa az objektumfelismerést közvetlenül a beágyazott hardvereken és robotokon, lehetővé téve a reszponzív interakciót a környezettel anélkül, hogy felhőfüggőség lenne.

Egyedi adathalmaz detektálási betanítás

Finomhangolja az előre betanított YOLO modelleket felhasználói címkézett adathalmazokon, hogy detektáljon domain-specifikus tárgyakat ipari, orvosi vagy kiskereskedelmi alkalmazásokhoz.

Előnyök és hátrányok

Előnyök

Kivételesen gyors következtetés alkalmas valós idejű használatra
Erős nyílt forráskódú ökoszisztéma és közösségi támogatás
Több objektumosztályt észlel egyetlen áthaladásban
Fut az él hardvereken és beágyazott eszközökön
Folyamatos fejlesztések a modellverziók között

Hátrányok

Küzdhet a kis vagy sűrűn csomagolt tárgyakkal
Labeled adathalmazokat és szakértelmet igényel a betanításhoz
A licencelés változik a különböző verziókban és forkokban
A pontosság elmaradhat a lassabb kétlépcsős detektoroktól

Csata rekord

1 csatában a Pantheonban.

Last battle

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

Értékelések

4.8

Átlag 6 értékelésből.

Jelentkezz be értékelés írásához.

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.

Kérdések

What are the main limitations of YOLO compared to two‑stage detectors?

YOLO’s single‑pass design excels in speed but may struggle with very small or densely packed objects, and its accuracy can be lower than slower, two‑stage detectors that use region proposals.

Asked by Esther Adeyemi · Sep 4, 2025

Can I train YOLO on my own dataset for custom object classes?

Yes, YOLO is fully customizable; you can fine‑tune pretrained models (e.g., on COCO) using your own labeled dataset, though you’ll need labeling expertise and some training experience.

Asked by Jasper Vermeer · Aug 12, 2025

What hardware is needed to run YOLO in real-time?

YOLO can run on GPUs, CPUs, and edge devices; for real‑time performance you typically need a GPU (e.g., NVIDIA RTX series) but the model also supports inference on CPUs and embedded hardware with reduced frame rates.

Asked by Dara Fitzgerald · Jul 31, 2025