YOLO (You Only Look Once)Real-time object detection that identifies multiple objects in a single image pass.

4.8 (6)

Apžvelgė Daniel Nikulshyn·Atnaujinta 2026 m. gegužė

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

1 / 2

Apžvalga

YOLO (tik tiesiog per vieną kartą) yra savo šeimos objektų detekcijos algoritmų šeima, kurie yra iš naujo dizinuoti greičiu ir sulygine. Išskiriant tradicines detekcijos sistemų, kurios taikomos modelį įvaizdžiai daugiau vietų ir skalės, YOLO detekciją vaizduoja kaip vieną regresijos uždavinį, prognozuojant ribas ir klasės tikėjimus viename perkeliamame per nerastą neuronų tinklą. Ši architektūra padaro YOLO labai tinkamu realiu laiku aplikacijų, tokio tipo kaip video analizė, autonomiški automobiliai, robotika, peržiūra, ir papildomasis vaizdas. Aplikoje vykdomos kartos (YOLOv3, v5, v7, v8 ir beĩ) pagerino tikslumą, išplėtojo užduočių valdymą segmentacijai ir pozuojimui, ir išlaikė šio kūdžio reputaciją greitam įstatymui. YOLO labai plėtota dažnai pasitelkiamų tyrimų darbuotojų ir programinės įrangos kūrėjų dėka atvirojo kodo įgyvendinimų, aktyviojo bendruomenės ir įvykio detections tikslumo bei procesorinės greičio išsaugojimo balanso dėka, tiek naudojant GPU, tiek naudojant kraštinės įrangos priEMONES.

Pagrindinės funkcijos

Vieną pasą poruojama real-time objektų detekcija
Ribinių boksų prognozavimas ir klasės tikimybių apskaičiavimas
Detekcijos, segmentacijos ir pose uždavinių parama
Viešai prieinami modeliai įprastuose duomenų rinkiniuose COCO
Atversta įrenginio, procesorių ir prieiga prie šoninių prietaisų
Tikinys naudotojo duomenų rinkinių apmokymui

Kainos

Modelis: Freemium
Kategorija: Kompiuterinė rega
Įvertinimas: 4.8 / 5 (6)

Naudojimo atvejai

Real-time video surveillance

Pagalba detekuoja ir laiko žmonių, transporto priemonių ar objektų intereso gyvenamąjį saugumo kamerų sąrašą, naudojant YOLO greitą vienojo pertraukimo pertraukimo.

Autonomous vehicle perception

Atpažįsto važiuojančius žmones, automobilių, transporto znakių ir kliūčių objektus real time, kad remiantis taškų ir navigacijų sprendimais, remiantis savožeidžiamajam sistema.

Robotics and edge deployment

Veikia objektų detekciją nepriklausomai nuo centrinių įrenginių ir bandomosios technika, leidžiant komplimenti priklausomį nuo interneto svetainės.

Custom dataset detection training

Kad prisistengtų užrašytas YOLO modeliai naudojama naudotojo priešduomenų rinkinių apmokymui detekuoti šalinimo specifini objektus industinių, medicinių ar detalinių objektų naudojimu.

Privalumai ir trūkumai

Privalumai

Ekstremaliai greitas pertraukimo metis, tinkamas real-time naudojimui
Stiprus viešojo kodekso ekosistemos ir bendruomenės parama
Pazymėja kelias objektų klases vienojo pertraukimo metu
Veikia prieš įrenginių šonu ir įtaisų
Tęstiniai kokybės pagerinimai modelių versionų metu

Trūkumai

Gali sunkiai kovoti su mažomis ar labai sutelktais objektų
Reikia apibrėžti duomenų rinkinių ir apmokyti ekspertizę
Licencija skiriasi atsižvelgdama į versijomis ir šakinimo versijas
Kokybė gali įtikėjimą traukti aukštesnių dviejų etapų detektorių

Mūšių rekordas

1 mūšyje Panteone.

Last battle

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

Atsiliepimai

4.8

Vidurkis iš 6 įvertinimų.

Prisijunk, kad paliktum atsiliepimą.

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.

Klausimai

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