YOLO (You Only Look Once)Real-time objekteteksting som identifiserer flere objekter i en enkelt billedgjenkomst.

4.8 (6)

Anmeldt av Daniel Nikulshyn·Oppdatert mai 2026

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

1 / 2

Oversikt

YOLO (Du Får Bare Se En Gang) er en familie av algoritmer for objektavkodning designet for hastighet og effektivitet. I motsetning til tradisjonelle avkodningssystemer som søker opp en modell i en bilde på flere steder og skalaer, fremstiller YOLO avkodning som et enkelt regressionsproblem, der både rammer og klassenøyaktighetsprosoller blir predikert i en enkel gjennomkryssing av en neuronal nettverk. Denne arkitekturen gjør YOLO särskilt egnet for reallistiske applikasjoner som videoforeldring, selvstyrte kjøretøy, robotikk, overvåkning og augmented reality. Suksessive versjoner (YOLOv3, v5, v7, v8 og videre) har bedret nøyaktigheten, utvidet støtten for segmentering og pose-estimasjon, og bevart rammen for rask inferens. YOLO er bredt adoptert av forskere og utviklere grunnet sine åpne kilder, aktive samfunn og balanse mellom detektionsnøyaktighet og håndteringshastighet på både GPU-enheter og edge-enheter.

Nøkkelfunksjoner

Single-pass real-time objekteteksting
Bounding box og klassenøyaktighetsprediksjon
Støtte for deteksjon, segmentering og poseoppgaver
Prætrentede modeller på vanlige datasett som COCO
Deployable på GPU, CPU og edge enheter
Tilgjengelig for brukerens eget datasett med mulighet for personalisering

Priser

Modell: Freemium
Kategori: Maskinvisjon
Vurdering: 4.8 / 5 (6)

Brukstilfeller

Real-time videoovervåking

Detect og sporet mennesker, kjøretøyer eller interessante objekter i live sikkerhetskameraer ved hjelp av YOLOs hurtige single-pass-inferens.

Selvdrevet førerassistent

Identifiserer påfugler, kjøretøyer, trafikkmerker og hindringer i realtid for å støtte fører- og navigasjonsbeslutninger i selvstyringsystemer.

Roboter og edge-deploymng

Kjør objekteteksting direkte på embbedede hardvar og roboter, som gjør det mulig å ha responsiv interaksjon med omgivelserne uten å være avhengig av en skyen.

Trenet på brukervektor

Fine-tun prætrentede YOLO-modeller på brukervektorer for å oppdage omfartsbestemende objekter for industriell, medicinal eller detaljhandelsaplikasjoner.

Fordeler og ulemper

Fordeler

Eksperimentelt rask inferens egnet for real-time bruk
Sterk åpen kildekode og communitystyre
Hunner flere objektklasser i en enkelt passasje
Fungerer på edge-hardware og embedde enheter
Fortsettende forbedringer gjennom modellutgivelser

Ulemper

Kan ha problemer med små eller tettbeinete objekter
Krevirer etiketterte datasett og kunnskaper om trening
Lisensene varierer over forskjellige versjoner og grener
Nøyaktighetene kan være noenlunde mindre enn andre tofase deteksjonsmetoder

Kamprekord

I 1 kamp i Panteon.

Last battle

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

Anmeldelser

4.8

Gjennomsnitt fra 6 vurderinger.

Logg inn for å legge igjen en anmeldelse.

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.

Spørsmål

Hva er de viktigste begrensningene med YOLO sammenlignet med totrinnsdetektorer?

YOLOs enkelt gjennomløpsdesign er raskt, men kan ha vanskeligheter med svært små eller tett pakket objekter, og nøyaktigheten kan være lavere enn langsommere, totrinnsdetektorer som bruker regionsforslag.

Asked by Esther Adeyemi · Sep 4, 2025

Kan jeg trene YOLO på min egen datasett for egne objekt-klasser?

Ja, YOLO er fullstendig tilpassbar; du kan finjustere forhåndsunderviste modeller (f.eks. på COCO) ved hjelp av din egen merket datasett, selv om du trenger merkingseksperimenter og noe treningserfaring.

Asked by Jasper Vermeer · Aug 12, 2025

Hva slags maskinvare er nødvendig for å kjøre YOLO i sanntid?

YOLO kan kjøres på GPU-er, CPU-er og edge-enheter; for sanntidsytelse trenger du vanligvis en GPU (f.eks. NVIDIA RTX-serien), men modellen støtter også inferens på CPU-er og innebygde enheter med redusert bildefrekvens.

Asked by Dara Fitzgerald · Jul 31, 2025