-
如何实现 YOLO 模型的实时性能
一款针对 4GB Jetson Orin Nano 设备进行物体检测的高性能 C++ 实现。对 YOLOv8(成功)与 YOLOv26(挑战)进行基准测试
-
基于改进YOLOv8的工业表面缺陷检测：轻量化网络设计与多尺度特征融合的精度-速度平衡策略
工业表面缺陷检测是智能制造的核心环节，直接影响产品质量与生产效率。传统检测方法依赖人工目检或基于规则的图像处理，存在效率低、漏检率高、泛化性差等问题。深度学习尤其是YOLO系列算法的兴起，为工业缺陷检测提供了自动化解决方案。然而，工业场景中缺陷类型多样、尺度跨度大(从微米级划痕到厘米级凹坑)，且对实时性要求极高(产线速度常达每分钟数百件)，这对检测模型的精度与速度平衡提出了严峻挑战。
-
如何在Jetson Nano上使用YOLOv8实时检测和计数空白空间
YOLOv8(你只看一次，版本8)。是一种最先进的物体检测模型，以其速度和准确性而闻名。它能够快速准确地实时识别物体，使其成为空空间检测应用的理想选择。通过定制YOLOv8，我们可以训练模型专门识别Empty Space，增强其有效性。
