行空板 YOLO训练教程合集

YOLO（You Only Look Once）系列是目前主流的端侧物体检测算法之一，最早由Joseph Redman等人提出，随着时间的推移，已经发布了多个版本，每个版本在性能和速度上都有“看似”的提升。在当今技术飞速发展的背景下，边缘计算和计算机视觉正以前所未有的速度和深度改变着各行各业。YOLO（You Only Look Once）模型作为最先进的实时物体检测系统之一，走在了这场革命的最前沿。凭借其出色的速度和准确性，YOLO 在边缘计算中的应用为多个行业带来了革命性的变化。我们将YOLO的相关教程与结合行空板进行运行识别的相关内容整理在此，供大家学习。


1.关于YOLOv8 的全面详细介绍
YOLO 是一种速度和准确性都极为出色的物体检测算法。YOLO v8 是 You Only Look Once 第 8 版的缩写，代表了该系列的最新进展。这是一个将计算机视觉与深度学习相结合的先进系统。本文主要介绍了YOLO v8 的新功能、主要特点、潜在用例，并讨论了使用难度。


2.YOLOv10与YOLOv8对比：模型大小、性能、x86 SBC和PC上的基.....
本文对 YOLOv10 和 YOLOv8 进行深入对比，分析二者在模型大小、性能指标和硬件要求等方面的差异，帮助读者更好地了解 YOLO 版本，并根据自己的应用场景选择最合适的版本。


3.行空板上YOLO和Mediapipe视频物体检测的测试


本文将： 对不同模型的视频物体检查进行详细的对比分析；进行针对在行空板上的视频物体检测进行代码编写和优化；对不同模型的帧率对比测试。





4.初学者如何在笔记本电脑上快速运行 YOLOv8 进行实时识别
本文详细介绍了如何在计算机上快速运行 YOLOv8 实现检测、分割和姿态估计。通过阅读本文，你将快速了解如何在 Windows 系统上安装、配置和运行 YOLOv8 进行实时识别，为实际应用打下坚实的基础。


5.如何在行空板运行yolov8n？
使用行空板可以用简单的代码运行yolov8n。如果使用行空板用于图片的目标检测，可以考虑使用448分辨率的输入，此种情况下一张图片的处理时间大约为3.5秒，同时准确性很好。如果使用行空板用于视频的目标检测，限于行空板的算力，推荐使用128分辨率的输入，此种情况下一张图片的处理时间大约为0.4秒左右。




6.如何在行空板上运行 YOLOv10n？
本文为大家介绍的是 YOLOv10在行空板的运行。YOLOv10是由清华大学研究团队最新提出的，同样遵循 YOLO 系列设计原则，致力于打造实时端到端的高性能目标检测器。






7.在行空板M10上运行 YOLOv10：高效物体检测的分步指南


本文介绍如何在行空板M10上完成YOLOv10的部署。


8.【行空板人工智能】基于YOLO的实时水果检测项目
本文基于YOLO训练出来的水果目标检测模型部署在行空板上运行的项目，旨在实现从实时视频流中框出画面中的所有水果并显示其名称。


9.YOLO 视觉模型在现实世界边缘计算应用中的创新用途


本文探讨了 YOLO 模型在边缘计算中的实际应用，重点介绍了其在自动驾驶、智能监控、制造和精准农业等领域的创新和影响。此外，我们还将深入研究使用 OpenVINO 在单板计算机 (SBC) 上部署 YOLO 模型的创客项目，展示爱好者和开发人员如何利用这项技术来创建创新解决方案并推动行业进步。

10.2024 年最受欢迎的 6 种物体检测模型｜YOLOv10、EfficientDet...
本文将介绍和比较 2024 年几种流行的物体检测模型。无论您是计算机视觉或机器学习应用程序的开发人员，还是该领域的爱好者，本文都将帮助您为下一个项目选择合适的模型。


【系列教程】行空板M10的视觉训练项目该系列有一定技术难度。目前系列还在造物记更新中，欢迎关注学习！


1. 基于YOLO的交通标志检测自动驾驶小车  

本项目基于YOLOv8目标检测算法开发了行空板M10智能小车自动驾驶系统，通过部署ONNX格式模型可实现26类交通标志（含"禁止驶入"、"左转指示"、"右转指示"）的实时检测。整个系统基于Python开发，在本项目中，当识别到摄像头画面中的"左转"、"右转"、"鸣笛"标志时，小车会自动执行对应的转向、鸣笛和灯光控制。

在于完整实现了从图像采集→AI推理→硬件控制的全链条开发流程，使用多进程架构确保视觉识别（30FPS）与电机控制实时同步，特别适合初学者学习嵌入式AI开发、多进程编程以及硬件交互的完整实现过程。所有功能通过不到200行代码完成，代码中已包含详细的注释说明，即使没有深度学习背景也能快速理解运行原理。

2.基于YOLO实例分割的优质苹果自动分拣装置

本项目是基于YOLOv8实例分割的优质苹果自动分拣项目，采用YOLOv8的实例分割能力，结合行空板M10和摄像头，识别并分类外观不同的苹果。系统能够实时检测摄像头画面中的苹果图像，识别出形状完美、外观优质的苹果（标签为：pleasing shape apple）和外形不规则、存在瑕疵的普通苹果（标签为“irregular apple”），实现基于形状检测的苹果自动分拣功能。本项目可用于水果礼盒定制、优质果品筛选、农业自动化等场景。

3.基于YOLO的商品自动计数与计价装置

本项目基于YOLOv8的目标检测功能，实时检测视频画面中的商品的种类、数量，以及实时计价。通过训练YOLOv8模型,将模型部署到行空板M10上，利用YOLOv8模型推理输出的类别标签和目标框，通过摄像头，从实时视频中检测出视频画面中商品种类、数量、总价，并框出，为商品检测计数、计价等应用场景提供高效的技术支持。

4.基于YOLO的水果目标检测装置

本项目基于YOLOv8的目标检测功能，实现了实时视频画面中的水果的种类和数量的检测。通过训练YOLOv8模型,将模型部署到行空板M10上，利用YOLOv8模型推理输出的类别标签和目标框，通过摄像头，从实时视频中检测出视频画面中的19种水果的类别和数量如苹果、香蕉、橙子等，并框出，为水果的自动化分拣、质量检测以及零售库存管理等应用场景提供高效的技术支持。

5.基于YOLO的行空板跟随小车

本项目旨在开发一款基于视觉目标检测与跟踪的智能小车系统，实现了控制小车实时跟踪对应颜色和特定目标的小球。目标跟踪是一种计算机视觉技术，核心任务是在连续的视频帧中识别并跟随指定的目标物体，该技术广泛应用于自动驾驶、安防监控与智能机器人等领域。系统利用电脑与行空板M10协同工作，将车载摄像头实时采集的视频帧图像通过MQTT协议上传至电脑端进行YOLOv8目标检测，将检测后的结果和对小车的控制指令再次通过MQTT协议传回行空板M10，从而实现对特定颜色目标（例如红球）的实时检测、跟踪同时控制小车进行运动。