YOLO26n
PulseAugur coverage of YOLO26n — every cluster mentioning YOLO26n across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
MVTrack：从压缩视频中进行超快无外观目标跟踪
研究人员开发了MVTrack，一种直接在压缩视频比特流上运行的新型移动目标跟踪系统，无需进行像素重建。与传统的基于RGB的目标检测器相比，这种方法显著降低了计算成本和延迟。MVTrack结合了用于运动矢量场检测的MVDet和用于运动关联的MVLink，在VIRAT数据集上取得了优于现有方法（如YOLO26n）的性能，同时使用的参数和FLOPs要少得多。
-
开发者从头开始用 ARM64 汇编实现了 YOLO26n
一位开发者使用 ARM64 汇编语言和 C 从头开始实现了 YOLO26n 对象检测模型的推理，绕过了标准框架。该项目是为学士学位最终项目开发的，旨在理解底层神经网络操作并针对 Raspberry Pi 4 上的边缘 AI 进行优化。该实现包含了各种优化技术，包括 ARM NEON SIMD、Winograd 卷积和缓存感知分块，但性能提升不如预期，因此请求社区就优化策略提供反馈。
-
YOLO26 基准测试：边缘 AI 性能因硬件和数据而异
一项新的基准研究评估了 YOLO26 目标检测架构在水产养殖边缘部署方面与前代模型 YOLOv5u、YOLOv8 和 YOLO11 的对比。虽然所有模型在有足够训练数据的情况下都达到了可比的检测精度，但在数据效率和推理性能方面出现了显著差异。YOLO26 nano 变体在 Raspberry Pi 5 上展现了最高的推理速度，而 YOLOv5mu 在基于 CPU 的硬件上表现最佳。研究结论认为，实际边缘 AI 应用的模型选择应在考虑架…
-
CucumberVision 框架使用人工智能进行非接触式长度估算
研究人员开发了一个名为 CucumberVision 的新颖框架，用于非接触式估算温室黄瓜的长度，这对于商业生产至关重要。该系统利用 Intel RealSense D435 RGB-D 摄像头，并采用 YOLO26n 模型进行分割，然后通过 SAM (ViT-B backbone) 进行优化以获得精确的掩码。一种新的内弧样条方法 (M5) 表现出更高的准确性，通过计算拟合到三维中轴的三次样条的弧长，优于其他评估技术。