开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

有没有办法在person单类数据集上注释或标记多个person图像？为了YOLOv3？

是的，可以使用图像标注工具来在person单类数据集上注释或标记多个person图像，以便用于YOLOv3目标检测算法训练。

一种常用的图像标注工具是LabelImg，它是一个开源的图像标注工具，可以用于创建和编辑图像标注。你可以使用LabelImg在person单类数据集上标注多个person图像。LabelImg支持绘制矩形框来标注目标物体，并可以为每个矩形框分配相应的类别标签。

YOLOv3是一种基于深度学习的目标检测算法，它可以实现实时目标检测。在使用YOLOv3进行训练之前，需要准备好标注好的训练数据集。通过使用图像标注工具在person单类数据集上标注多个person图像，可以生成用于训练YOLOv3的标注数据。

在腾讯云的产品中，推荐使用腾讯云的AI开放平台（https://cloud.tencent.com/product/ai）来进行图像标注和训练。腾讯云的AI开放平台提供了丰富的人工智能服务，包括图像识别、目标检测等功能，可以帮助你进行图像标注和训练。你可以使用腾讯云的图像识别API和目标检测API来实现对person图像的标注和训练。

总结起来，你可以使用图像标注工具如LabelImg在person单类数据集上标注多个person图像，然后使用腾讯云的AI开放平台进行图像标注和训练。这样就可以为YOLOv3算法提供准备好的标注数据集，用于实现目标检测任务。

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

今晚，为梅西和莫德里奇熬夜！这个CV模型，让你猜球必赢

12月11日的卡塔尔世界杯上，葡萄牙不敌摩洛哥止步八强，C罗的世界杯之旅，就这样画上了遗憾的句号。

04

如何将多目标检测用于建筑平面图？ | MixLab智能建筑

在建筑平面图的分析中，一些复杂的平面图总是会让人感到头晕脑胀，不同的标注方式以及不同的图形符号更难以让普通人去解读。

03

用于精确目标检测的多网格冗余边界框标注

论文地址：https://arxiv.org/pdf/2201.01857.pdf

01

从YOLOv1到YOLOv3，目标检测的进化之路

这是继 RCNN，fast-RCNN 和 faster-RCNN之后，Ross Girshick 针对 DL 目标检测速度问题提出的另外一种框架。YOLO V1 其增强版本在 GPU 上能跑45fps，简化版本155fps。

03

计算机视觉系列案例 | 基于YOLOv3及Sort算法实现目标跟踪

随着计算机视觉技术的发展，基于视频的目标跟踪算法成为研究热点。目标跟踪技术通常依据视频中目标及背景的信息，对目标的形状、大小、位置、轨迹等运动状态进行预测。目标跟踪技术的应用领域非常广泛，包括视频监控、无人驾驶等多个领域，具有重要的研究价值。

02

CV岗位面试题：简单说下YOLOv1,v2,v3,v4各自的特点与发展史

重磅干货，第一时间送达文 | 七月在线编 | 小七解析：文章目录一、任务描述二、设计思想三、发展历程 1. YOLOv1 2.

01

YOLO 算法最全综述：从 YOLOv1 到 YOLOv5

YOLO系列是基于深度学习的回归方法，本文详细介绍了从YOLOv1至最新YOLOv5五种方法的主要思路、改进策略以及优缺点。

04

YOLO算法最全综述：从YOLOv1到YOLOv5

来源：知乎初识CV 深度学习爱好者https://zhuanlan.zhihu.com/p/136382095本文共8000字，建议阅读15分钟本文为大家介绍了YOLO算法的最全综述。 YOLO官网： https://github.com/pjreddie/darknet YOLO v.s Faster R-CNN 1.统一网络:YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和f

02

收藏 | YOLO系列综述：从V1到V4

这是继RCNN，fast-RCNN和faster-RCNN之后，rbg（RossGirshick）针对DL目标检测速度问题提出的另外一种框架。YOLO V1其增强版本GPU中能跑45fps，简化版本155fps。

03

YOLO算法最全综述：从YOLOv1到YOLOv5

来源丨https://zhuanlan.zhihu.com/p/136382095

01

YOLO算法最全综述：从YOLOv1到YOLOv5

1.统一网络:YOLO没有显示求取region proposal的过程。Faster R-CNN中尽管RPN与fast rcnn共享卷积层，但是在模型训练过程中，需要反复训练RPN网络和fast rcnn网络.相对于R-CNN系列的"看两眼"(候选框提取与分类),YOLO只需要Look Once.

05

2020413 | 10篇计算机视觉检测分类相关论文(附GitHub代码)

标题:RetinaTrack: Online Single Stage Joint Detection and Tracking

02

CNN+transformer入门学习

先取得输入的图像，再采用选择性搜索(Selective Search)算法，自下而上提取大约2000个区域，再用大型卷积神经网络(CNN)对每个提取区域的特征进行分析，并最终采用特定的类线性SVM对各区域进行分类。

01

YOLO-S：一种用于小目标检测的轻量级、精确的类YOLO网络

研究者提出了YOLO-S，一个简单、快速、高效的网络。它利用了一个小的特征提取器，以及通过旁路和级联的跳过连接，以及一个重塑直通层来促进跨网络的特征重用，并将低级位置信息与更有意义的高级信息相结合。

02

[Intensive Reading]MOT：FairMOT

A Simple Baseline for Multi-Object Tracking是一个online的多目标跟踪（MOT）算法，基于TBD（Traking-by-Detection）的策略，FairMOT主要就是基于JDE做的改进，可以简单的理解为，FairMOT是将JDE的YOLOv3的主干，改成了CenterNet，也就是将检测的方法由Anchor-base换成了Anchor-free，然后同样在已有检测模型上加了了embeeding分支，模型输出检测的结果和embeeding，提供给后续的assiciation使用。当然这样替换是有道理的，下面我们从原理的部分分析下为什么要这样做。

02

Object Detection in Optical Remote Sensing Images: A Survey and A New Benchmark

最近已作出大量努力，提出光学遥感图像中的各种目标检测方法。然而，目前对光学遥感图像中目标检测的数据集调查和基于深度学习的方法还不够完善。此外，现有的数据集大多存在一些不足之处，如图像和目标类别数量较少，图像多样性和变异性不足。这些局限性极大地影响了基于深度学习的目标检测方法的发展。本文综述了近年来计算机视觉和地球观测领域基于深度学习的目标检测研究进展。然后，我们提出了一个大规模、公开可用的光学遥感图像目标检测基准，我们将其命名为DIOR。数据集包含23463张图像和190288个实例，覆盖20个目标类。建议的DIOR数据集1)在目标类别、目标实例数量和总图像数量上都是大规模的;2)具有大范围的对象尺寸变化，不仅在空间分辨率方面，而且在跨目标的类间和类内尺寸变化方面;3)由于成像条件、天气、季节、成像质量的不同，成像结果差异较大;4)具有较高的类间相似性和类内多样性。提出的基准可以帮助研究人员开发和验证他们的数据驱动方法。最后，我们评估了DIOR数据集中的几种最先进的方法，为未来的研究奠定了基础。

05

【从零开始学习YOLOv3】2. YOLOv3中的代码配置和数据集构建

到https://pytorch.org/中根据操作系统，python版本，cuda版本等选择命令即可。

02

YOLO系列：V1,V2,V3,V4简介

YOLO系列是基于深度学习的回归方法。 RCNN， Fast-RCNN，Faster-RCNN是基于深度学习的分类方法。

01

Integrated Multiscale Domain Adaptive YOLO

领域自适应领域在解决许多深度学习应用程序遇到的领域转移问题方面发挥了重要作用。这个问题是由于用于训练的源数据的分布与实际测试场景中使用的目标数据之间的差异而产生的。在本文中，我们介绍了一种新的多尺度域自适应YOLO（MS-DAYOLO）框架，该框架在YOLOv4目标检测器的不同尺度上采用了多个域自适应路径和相应的域分类器。在我们的基线多尺度DAYOLO框架的基础上，我们为生成领域不变特征的领域自适应网络（DAN）引入了三种新的深度学习架构。特别地，我们提出了一种渐进特征约简（PFR）、一种无人分类器（UC）和一种集成架构。我们使用流行的数据集与YOLOv4一起训练和测试我们提出的DAN架构。我们的实验表明，当使用所提出的MS-DAYOLO架构训练YOLOv4时，以及当在自动驾驶应用的目标数据上进行测试时，物体检测性能显著提高。此外，相对于更快的R-CNN解决方案，MS-DAYOLO框架实现了数量级的实时速度改进，同时提供了可比的目标检测性能。

02

YOLO-S：小目标检测的轻量级、精确的类YOLO网络

研究者提出了YOLO-S，一个简单、快速、高效的网络。它利用了一个小的特征提取器，以及通过旁路和级联的跳过连接，以及一个重塑直通层来促进跨网络的特征重用，并将低级位置信息与更有意义的高级信息相结合。

03

MOT：FairMOT

《FairMOT：A Simple Baseline for Multi-Object Tracking》是一个online的多目标跟踪（MOT）算法，基于TBD（Traking-by-Detection）的策略，FairMOT主要就是基于JDE做的改进，可以简单的理解为，FairMOT是将JDE的YOLOv3的主干，改成了CenterNet，也就是将检测的方法由Anchor-base换成了Anchor-free，然后同样在已有检测模型上加了了embeeding分支，模型输出检测的结果和embeeding，提供给后续的assiciation使用。当然这样替换是有道理的，下面我们从原理的部分分析下为什么要这样做。

03

使用Yolov5进行端到端目标检测

最近，Ultralytics推出了YOLOv5，但它的名字却引发了争议。为了了解背景，《YOLO》(你只能看一次)的前三个版本是由约瑟夫·雷蒙(Joseph Redmon)创作的。在此之后，Alexey Bochkovskiy在darknet上创建了YOLOv4，号称比之前的迭代具有更高的平均精度(AP)和更快的结果。

03

如何使用Yolov5创建端到端对象检测器？

Ultralytics最近在围绕其名称的争议中推出了YOLOv5。就上下文而言，约瑟夫·雷德蒙（Joseph Redmon）创建了YOLO（您只看一次）的前三个版本。此后，Alexey Bochkovskiy在Darknet上创建了YOLOv4，与以前的迭代相比，它拥有更高的平均精度（AP）和更快的结果。

04

[Intensive Reading]目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言

目标检测系列：目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN 目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式目标检测(object detection)系列（六） SSD：兼顾效率和准确性目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN 目标检测(object detection)系列（八） YOLOv2：更好，更快，更强目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作目标检测(object detection)系列（十二） CornerNet：anchor free的开端目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS 目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

02

数据科学工具包：手把手用YOLO做目标检测

YOLO 是我最喜欢的计算机视觉算法之一，在很长一段时间里，我计划着专为它写一篇博文。然而，我不希望它成为另一篇详细解释 YOLO 背后工作原理的文章，网上有很多文章都很好地涵盖了它理论方面的知识。除此之外，如果你想加深对这个架构的理解，直接从源代码获取信息并阅读源文件（https://arxiv.org/abs/1506.02640）也是一个好主意。

02

YOLOv3 精度再次提高 4.3%，训练提速 40%！PaddleDetection全面升级

喜欢看科幻电影的朋友一定会对这样的画面印象深刻：钢铁侠去解救被恐怖分子挟持的人质时，他的战衣可以快速的从人群之中识别持有武器的恐怖分子，并确定恐怖分子的位置，然后一阵火花带闪电就问题解决了，岂是一个“帅”字可以形容！从发现敌人到发动攻击不超过5秒种，可谓战衣在手，天下我有！令科幻迷们大喊一声：“这样的战衣给我来一打！”

01

使用 YOLO 进行对象检测：保姆级动手教程

Object Detection with YOLO: Hands-on Tutorial - neptune.ai

01

YOLO家族系列模型的演变：从v1到v8（下）

昨天的文章中，我们回顾了 YOLO 家族的前 9 个架构。本文中将继续总结最后3个框架，还有本月最新发布的YOLO V8.

06

道路裂缝坑洼图像开源数据集汇总

CrackForest数据集是一个带注释的道路裂缝图像数据库，可以大致反映城市路面状况。

02

YOLO升级到v3版，检测速度比R-CNN快1000倍

译者 | 林椿眄出品 | 人工智能头条（公众号ID：AI_Thinker）【人工智能头条导读】YOLO 是当前性能最佳的一个实时检测系统，它在 Pascal Titan X 显卡上处理 COCO test-dev 数据集的图片，速度能达到 30 FPS， mAP 可达 57.9% 。另外， YOLOv3 的检测速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。本文详细展示了升级后的 YOLOv3 与其他检测器的数据对比，以及 YOLOv3 的工作原理等。 ▌与其他检

03

YOLO系列算法全家桶——YOLOv1-YOLOv9详细介绍！！

YOLO系列的核心思想就是把目标检测转变为一个回归问题，利用整张图片作为网络的输入，通过神经网络，得到边界框的位置及其所属的类别。

使用 YOLO 进行目标检测

自从世界了解人工智能以来，有一个特别的用例已经被讨论了很多。它们是自动驾驶汽车。我们经常在科幻电影中听到、读到甚至看到这些。有人说，我们将在2010年拥有自动驾驶汽车，有人说到2020年，但我们在2021年就实现了，我们刚刚能够解决自动驾驶汽车给世界带来的变化的一角。自动驾驶汽车的一个基本特性，对象检测。

03

我们是如何改进YOLOv3进行红外小目标检测的？

【GiantPandCV导语】本文将介绍BBuf、小武和笔者一起在过年期间完成的一个目标检测项目，将描述我们模型改进的思路、实验思路、结果汇总和经验性总结。声明：这篇文章经过了三人同意，并且所有创新点也将被公布。此外，由于经验上的不足，可能整个实验思路不够成熟，比不上CV大组的严谨性，如有问题还烦请指教。

03

【转】目标检测之YOLO系列详解

YOLO将输入图像分成SxS个格子，若某个物体 Ground truth 的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。

05

【转】目标检测之YOLO系列详解

YOLO将输入图像分成SxS个格子，若某个物体 Ground truth 的中心位置的坐标落入到某个格子，那么这个格子就负责检测出这个物体。

04

深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解

因为工作原因，项目中经常遇到目标检测的任务，因此对目标检测算法会经常使用和关注，比如Yolov3、Yolov4算法、Yolov5算法、Yolox算法。

02

手把手教你用深度学习做物体检测(七)：YOLOv3介绍

yolo3会利用第82、94、106层的特征图来进行不同尺寸的目标检测。 82层的图像小（分辨率低），感受野大，可以到检测图像中较大的目标； 94层的图像中等，感受野中等，可以检测到图像中不大也不小的目标； 106层的图像大（分辨率高），但感受野相对最小，可以检测到图像中较小的目标。所以如果训练过程中，发现某层的输出值是非数，这只是说明在这层没有检测到目标对象，只要三层中至少有一层能输出正常的数字，就是正常的。从图上也可以看到，为了能同时学到浅层和深层的特征，上面的82、94层特征图自身经过上采样后还会和早期层的特征图做一些拼接(concat)操作。用论文原话说就是：这样的方法让我们从上采样特征中得到更多有意义的语义信息；从更早期的特征中得到纹理信息(finer-grained information)。

02

深入浅出的意思是(v4)

因为工作原因，项目中经常遇到目标检测的任务，因此对目标检测算法会经常使用和关注，比如Yolov3、Yolov4算法、Yolov5算法、Yolox算法。

02

目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言

取百家所长成一家之言是一句书面意思上绝对褒义的话，形容一个论文却有些许的尴尬，但是YOLOv3确实是这样，没什么大的改动和创新点，而是融合借鉴了很多在其他的方案，最后效果还是很好的，文章中自己也提到了：“We made a bunch of little design changes to make it better”，YOLOv3的论文是《YOLOv3: An Incremental Improvement》，真的是个很低调的题目，没有Better, Faster和Stronger。╮(￣▽ ￣)╭而且论文的篇幅比较短，一共只有6页。

05

死磕YOLO系列，不会 AI没关系，用OpenCV 调用YOLO 做目标检测

对于视觉工程师而言，这当然是个小问题。可术业有专攻，不一定每个程序员都懂 AI 算法，那肯定就有一种方法把算法当成一个黑盒子，处理好输入输出就好了。

04

使用Python+OpenCV+yolov5实现行人目标检测

目标检测支持许多视觉任务，如实例分割、姿态估计、跟踪和动作识别，这些计算机视觉任务在监控、自动驾驶和视觉答疑等领域有着广泛的应用。随着这种广泛的实际应用，目标检测自然成为一个活跃的研究领域。

01

李沐等将目标检测绝对精度提升 5%，不牺牲推理速度

目标检测无疑是计算机视觉领域最前沿的应用之一，吸引了各个领域诸多研究者的目光。最前沿的检测器，包括类似 RCNN 的单（SSD 或 YOLO）或多阶神经网络都是基于图像分类骨干网络，如 VGG、ResNet、Inception 或 MobileNet 系列。

02

10分钟学会使用YOLO及Opencv实现目标检测（上）|附源码

计算机视觉领域中，目标检测一直是工业应用上比较热门且成熟的应用领域，比如人脸识别、行人检测等，国内的旷视科技、商汤科技等公司在该领域占据行业领先地位。相对于图像分类任务而言，目标检测会更加复杂一些，不仅需要知道这是哪一类图像，而且要知道图像中所包含的内容有什么及其在图像中的位置，因此，其工业应用比较广泛。那么，今天将向读者介绍该领域中表现优异的一种算算法——“你只需要看一次”（you only look once，yolo），提出该算法的作者风趣幽默可爱，其个人主页及论文风格显示了其性情，目前该算法已是第三个版本，简称YoLo V3。闲话少叙，下面进入教程的主要内容。在本教程中，将学习如何使用YOLO、OpenCV和Python检测图像和视频流中的对象。主要内容有：

06

AI寻宝！美国女博士用YOLOv3打造沉船探测器，杰克船长：我错过了100亿

在漫长的岁月中，由于天气、战争等各种原因，无数船只沉入海底。加上近代人类在航空技术上的进步，又有不少航空器由于各种原因葬身水下。

06

AI 寻宝！美国女博士用 YOLOv3 打造沉船探测器，杰克船长：我错过了 100 亿

来源：新智元本文约2500字，建议阅读7分钟本文为你带来跨界研究，评估将AI用于水下考古的可能性。近日，美国德州大学奥斯丁分校的一位考古学女博士搞起了跨界研究：用AI帮助美国海军寻找海底沉船，效果还不错！有没有兴趣来个水下探险？玩一次就可以财务自由的那种。人类航海史最早可以追溯到新石器时代。在漫长的岁月中，由于天气、战争等各种原因，无数船只沉入海底。加上近代人类在航空技术上的进步，又有不少航空器由于各种原因葬身水下。这些长眠于海底的船只、飞机以及其他物件有些在航行过程中携带了大量的金

01

Poly-YOLO：更快，更精确的检测（主要解决Yolov3两大问题，附源代码）

论文地址：https://arxiv.org/pdf/2005.13243.pdf

01

6个步骤，告诉你如何用树莓派和机器学习DIY一个车牌识别器！（附详细分析）

几个月前，作者开始考虑让汽车能够具备检测和识别物体的能力。他很喜欢这个主意，因为已经见识到了特斯拉的能力，并且虽然不能立即购买特斯拉（Model 3看起来越来越有吸引力了），但他认为会尽力实现自己的梦想。

02

现代目标检测故事 | 40+种网络架构大盘点！从基础架构ResNet到最强检测器Yolov7再到最新部署神器GhostNetV2

目标检测是指在图像或视频中分类和定位物体的任务。由于其广泛的应用，最近几年目标检测受到了越来越多的关注。本文概述了基于深度学习的目标检测器的最新发展。同时，还提供了目标检测任务的基准数据集和评估指标的简要概述，以及在识别任务中使用的一些高性能基础架构，其还涵盖了当前在边缘设备上使用的轻量级模型。在文章的最后，我们通过以图表的形式直观地在多个经典指标上比较了这些架构的性能。

03

目标检测（Object Detection）

目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭