ردیابی چند شی در زمان واقعی با YOLOv8

عنوان ردیابی چند شی در زمان واقعی با YOLOv8
نویسنده آتس، حسن فهمی، چلیک، کانسو، آداک، برک، آداک، مرت، برک، دورموش
تاریخ انتشار: 2024-01-01
محل انتشار - IEEE
موضوع TrackEval، UAVDT، Visdrone، یادگیری عمیق، YOLOv8، ردیاب اشیا
نوع سند
زبان ترکی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 979-8-3503-8897-8
شماره ثبت 5aa439b7-b977-4b67-98ee-b3dd6d5bf52e
محل کتابخانه علوم کامپیوتر
تاریخ 2024-01-01
متن نمونه در این مقاله، ما از ردیاب‌های چند شیء عمیق پیشرفته برای ردیابی شی در زمان واقعی و مدل‌های آموزش‌دیده با مجموعه‌های داده مختلف در محیط YOLOv8 استفاده کردیم. از طیف گسترده‌ای از ردیاب‌های توسعه‌یافته در حال حاضر، ردیاب‌هایی با بهترین قابلیت‌های ردیابی برای ارزیابی در این مقاله استفاده می‌شوند. اینها SMILETrack، ByteTrack و BoTSort هستند. از آنجایی که این ردیاب‌های شی ردیابی را از طریق تشخیص شی انجام می‌دهند، تشخیص شی با YOLOv8 که ممیزی‌های عملکرد زیادی را پشت سر گذاشته است، با این ردیاب‌ها برای بهبود عملکرد ردیابی استفاده شد. هدف این مقاله به دست آوردن یک مدل تشخیص است که بتواند اشیاء را با دقت تشخیص دهد و حداقل 15 فریم در ثانیه را در زمان واقعی با استفاده از ردیاب‌های شرح داده شده در بالا ردیابی کند. در این مقاله نشان داده شده است که مدل آموزش دیده قادر است 10 کلاس مختلف از اجسام کوچک را در فیلم های هوایی با دقت بالا و بدون وقفه ردیابی کند.
DOI 10.1109/SIU61531.2024.10600933
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی دانشگاه اوزیغین

ردیابی چند شی در زمان واقعی با YOLOv8

نویسنده آتس، حسن فهمی، چلیک، کانسو، آداک، برک، آداک، مرت، برک، دورموش
تاریخ انتشار 2024-01-01
محل انتشار - IEEE
موضوع TrackEval، UAVDT، Visdrone، یادگیری عمیق، YOLOv8، ردیاب اشیا
نوع سند
زبان ترکی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 979-8-3503-8897-8
شماره ثبت 5aa439b7-b977-4b67-98ee-b3dd6d5bf52e
محل کتابخانه علوم کامپیوتر
تاریخ 2024-01-01
متن نمونه در این مقاله، ما از ردیاب‌های چند شیء عمیق پیشرفته برای ردیابی شی در زمان واقعی و مدل‌های آموزش‌دیده با مجموعه‌های داده مختلف در محیط YOLOv8 استفاده کردیم. از طیف گسترده‌ای از ردیاب‌های توسعه‌یافته در حال حاضر، ردیاب‌هایی با بهترین قابلیت‌های ردیابی برای ارزیابی در این مقاله استفاده می‌شوند. اینها SMILETrack، ByteTrack و BoTSort هستند. از آنجایی که این ردیاب‌های شی ردیابی را از طریق تشخیص شی انجام می‌دهند، تشخیص شی با YOLOv8 که ممیزی‌های عملکرد زیادی را پشت سر گذاشته است، با این ردیاب‌ها برای بهبود عملکرد ردیابی استفاده شد. هدف این مقاله به دست آوردن یک مدل تشخیص است که بتواند اشیاء را با دقت تشخیص دهد و حداقل 15 فریم در ثانیه را در زمان واقعی با استفاده از ردیاب‌های شرح داده شده در بالا ردیابی کند. در این مقاله نشان داده شده است که مدل آموزش دیده قادر است 10 کلاس مختلف از اجسام کوچک را در فیلم های هوایی با دقت بالا و بدون وقفه ردیابی کند.
DOI 10.1109/SIU61531.2024.10600933
دانشگاه اوزیغین - موتور جستجوی نسخه های خطی عثمانی
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید