YOLO (You Only Look Once)Zaznavanje predmetov v realnem času, ki v eni pregledu slike zazna več predmetov.

4.8 (6)

Pregledal Daniel Nikulshyn·Posodobljeno maj 2026

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

1 / 2

Pregled

YOLO (You Only Look Once) je družina algoritmov za zaznavanje predmetov, zasnovanih za hitro in učinkovito delovanje. V nasprotju s tradicionalnimi sistemi zaznavanja, ki model aplikirajo na sliko na več lokacijah in merah, YOLO zaznavanje predstavi kot en sam regresijski problem, ki v enem naprednem prehodu skozi nevronsko mrežo napoveduje omejujoče okvire in verjetnosti klasifikacije. Ta arhitektura naredi YOLO posebej primernega za aplikacije v realnem času, kot so video analiza, avtonomna vozila, robotika, nadzor in nadvzeta realnost. Posledične različice (YOLOv3, v5, v7, v8 in nadalje) so izboljšale natančnost, razširile podporo nalog na segmentacijo in ocenjevanje položaja, ter ohranile reputacijo okvirja za hitro inferenc. YOLO je široko sprejet med raziskovalci in razvijalci zaradi svojih odprtokodnih implementacij, aktivne skupnosti ter ravnotežja med natančnim zaznavanjem in hitrostjo obdelave na GPU-jih in robnih napravah.

Ključne funkcije

Zaznavanje predmetov v realnem času z enim pregledu
Napoved pravokotnih ovir in verjetnosti razredov
Podpora za zaznavanje, segmentacijo in analizo položaja
Predhodno izurjeni modeli na pogostih bazah podatkov, kot je COCO
Omogoča implementacijo na GPU, CPU in robnih napravah
Prilagodljivo učenje na uporabniških bazah podatkov

Cene

Model: Freemium
Kategorija: Računalniška vid
Ocena: 4.8 / 5 (6)

Primeri uporabe

Zaznavanje v realnem času

Zaznava in sledenje ljudi, vozil ali predmetov zanimanja v realnem času z uporabo hitrega napovedovanja z enim pregledu YOLO.

Percepcija avtonomnih vozil

Identificiraj pešce, avtomobile, prometne znake in ovire v realnem času, da podpre odločitve o vožnji in navigaciji v avtonomnih sistemih.

Robotika in robna implementacija

Zaženi zaznavanje predmetov neposredno na vgrajenem strojni opremi in robotih, kar omogoča odzivno interakcijo z okoljem brez odvisnosti od clouda.

Učenje na lastni zbirki podatkov

Prilagodi predhodno izurjene modele YOLO na uporabniško označenih bazah podatkov za zaznavanje predmetov specifičnih za industrijo, medicino ali maloprodajo.

Prednosti in slabosti

Prednosti

Izjemno hitro napovedovanje, primerno za uporabo v realnem času
Močan ekosistem odprtokodnega kode in skupnostne podpore
Zaznava več razredov predmetov v enem pregledu
Deluje na robnih napravah in vgrajenih sistemih
Stalne izboljšave skozi različice modelov

Slabosti

Zastrašča pri majhnih ali gosto zapakiranih predmetih
Potrebuje označene podatke in strokovno znanje za učenje
Licenciranje se razlikuje med različicami in fork-ovi
Natančnost lahko ne doseže počasnejših dvo-stopenjskih detektorjev

Rekord bitk

V 1 bitki v Panteonu.

Last battle

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

Ocene

4.8

Povprečje iz 6 ocen.

Prijavi se za oddajo ocene.

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.

Vprašanja

Kaj so glavna omejitve YOLO v primerjavi s dva-stopenjskimi detektorji?

YOLOjevsamodnišnizapredaj design excelir v hitrostih, vendar lahko težko upošteva vrlo majhne ali goste objekte, in njegova natančnost je lahko nižja od hitrijših, dvostopenjskih detektorjev, ki uporabljajo regijske predloge.

Asked by Esther Adeyemi · Sep 4, 2025

Ali lahko YOLO izurim na svoji lastni različici podatkovne zbirke za prilagojene razrede predmetov?

Da, YOLO je popolnoma prilagodljiv; lahko fine-tunirate predpripravljen model (npr. na podatkovni zbirki COCO) z uporabo lastne označene podatkovne zbirke, čeprav boste potrebovali znanje oz. zmožnost označevanja in neko izkušenost s treniranjem.

Asked by Jasper Vermeer · Aug 12, 2025

Katere strojnice so potrebne za tekoči zaman YOLO?

YOLO lahko teče na GPU-jih, CPU-jih in robnih napravah; za delovanje v realnem času običajno potrebujete GPU (npr. NVIDIA RTX vrsta), vendar podpira tudi sklepanje na CPU-jih in vgrajenih napravah z zmanjšano hitrostjo slike.

Asked by Dara Fitzgerald · Jul 31, 2025