#yolo — Public Fediverse posts

Кэширование и трекинг. Как YOLO экономит время и нервы

Случалось мне работать с CV: запускаешь сорокаминутное видео, YOLO честно находит людей, машины, собак. На двадцатой минуте падает сеть или, что хуже, камера наблюдения выходит из строя. Перезапускаешь. Модель снова смотрит те же кадры, снова инференс, трекинг ID, пошла пахота GPU… Так продолжаться не может — подключаю кеширование. Сегодня разбираемся, как совместить YOLO и кэширование Redis с трекингом объектов так, чтобы каждый кадр считался ровно один раз и чтобы информация не терялась. В конце будут готовые сниппеты, которые можно сразу скопировать и запустить.

https://habr.com/ru/companies/ruvds/articles/1033870/

#redis #redis_как_настроить #yolo #yolo_как_настроить #yolo_redis #Кэширование #трекинг #кеш #cv #ruvds_статьи

Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием

На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.

https://habr.com/ru/articles/1034836/

#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling

Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием

На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.

https://habr.com/ru/articles/1034836/

#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling

Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием

На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.

https://habr.com/ru/articles/1034836/

#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling

Подсчёт долей фракций руды на конвейере: SAM2 для разметки, YOLO и проблемы с перекрытием

На производственной площадке стоит камера над лентой конвейера, она снимает поток , а система считает доли трёх цветовых фракций — серо-белой, оранжевой, розовой — и пишет результат в JSON для следующего этапа обработки. Цвет фракции используется как косвенный признак химического состава — технолог по нему оценивает качество партии. Заказчику нужна всего одна цифра — доля оранжевой фракции . Для предприятия эта фракция самая интересная по составу, остальные классы имеют второстепенное значения. Эту цифру нужно предоставлять в режиме 24/7, без расхождений между сменами. Камера стоит в закрытом помещении внутри здания. Освещение искусственное, прожектора фиксированные. Естественного света нет, влажность стабильна, поэтому большинство стандартных проблем компьютерного зрения на улице — блики на мокрых камнях, изменение цвета по времени суток, тени от солнца — в нашем случае не возникают и в статье обсуждаться не будут.

https://habr.com/ru/articles/1034836/

#sam #instance_segmentation #yolo #SAM2 #машинное_обучение #машинное_зрение #computer_vision #разметка_данных #data_labeling

Adding (#Joomla Core) tags support to ochSubscriptions, best test is #yolo in production on my own site #donottrythisathome :) check out this cool filtering on assigned tags: https://onlinecommunityhub.nl/joomla-extensions

@keefeglise #yolo see above

@boggo @floooh @yaxu that's what i'd do yeah #YOLO

#google #ki #ai #gemini #yolo #cyber https://dwaves.de/2026/05/08/google-ai-and-the-yolo-mode/

@gweeeen Avec un tel précédent, pourquoi pas ! 🤷🏻 #yolo

Neue Werkzeuge für Sysadmins:

- Wenn man das root-Passwort nicht kennt, hilft copy.fail
- Wenn die .de-Webseite nicht geht, einfach non-DNSSEC-Server verwenden.

Was habe ich vergessen?

#yolo

🚀 Ah yes, the thrilling tale of AI coding #agents skipping the boring human stuff: specs and tests. Who needs scope discipline when you can just #YOLO it to #production, right? 🤖 AddyOsmani bravely attempts to teach these digital cowboys #accountability. Good luck with that, partner! 🏇💻
https://addyosmani.com/blog/agent-skills/ #AIcoding #softwaredevelopment #HackerNews #ngated

#yolo #fomo

@jon For the authentic C coding experience, turn off all those pesky compiler warning messages and never ever use -Werror #YOLO :apartyblobcat:

TFW when you're Icarean #yolo

Shout outs to shooting your shot #yolo

you only live once

YOLO. Es wurde immer bunter! Details der Graffitis habe ich eingekreist.

labyrinthe in acryl
2022

#yolo #labyrinth #streetart

Anyone here have any experience with Ultralytics YOLO for image segmentation and detection tasks? Looks like a ML approach, is it any good? What are typical requirements for training data set sizes?

#ComputerVision #ML #YOLO

Une petite annonce en BD sur insta !
😁 #Yolo

https://www.instagram.com/p/DXZi9G4l3tY/?igsh=MTJqNTA2MG41aW50MQ==

Haufen Tabs schliessen, ohne vorher noch mal reinzuschauen #yolo

[Перевод] OCR всё прочитал, но ничего не понял: как мы научили систему разбирать транспортные накладные

Современные библиотеки компьютерного зрения позволяют получить результат буквально за несколько строк кода, но за этой простотой скрывается ряд практических ограничений и компромиссов. В статье разберём, как на самом деле работают модели «из коробки», где проходит граница их применимости и как из сырых выходов детекторов собрать осмысленную логику — от базового inference до сценариев видеоаналитики. Речь пойдёт о прикладном использовании инструментов вроде YOLO, OpenCV и Hugging Face в задачах, где важен не только сам факт распознавания, но и то, что с этим делать дальше.

https://habr.com/ru/companies/otus/articles/1026088/

#компьютерное_зрение #CV #YOLO #OpenCV #Hugging_Face #детекция_объектов #сегментация_изображений #видеоаналитика #анализ_изображений

Как мы научили ИИ подбирать мебель по архитектурным чертежам

В мире строительства и дизайна интерьеров работу по подбору мебели из каталога, имея на руках чертеж, до сих пор делают вручную: специалисты часами листают каталоги, сверяют размеры и характеристики. Эта рутина отнимает десятки человеко-часов на каждый проект. Мы нашли, как автоматизировать подбор мебели по архитектурным чертежам. В этой статье мы рассказали, как построили AI-систему с несколькими моделями и Gemini во главе, а также семантическим поиском по каталогу. Расскажем, как нам удалось достичь точности рекомендаций в 87%.

https://habr.com/ru/articles/1025848/

#gemini_3 #gemini_25_pro #vllm #yolo #pdf #чертеж #каталог #парсинг #json

Nothing has frustrated and de-motivated me quite as much as dealing with AI-generated pull requests.

There has been basically zero contributions to Darknet/YOLO over the last few years but my own. Then in the last year, a bunch of AI slop from various people.

Problem is, going through these PRs drains me. Trying to find the nugget of logic and dropping the rest of the unnecessary changes is extremely time-consuming. So these PRs sit there untouched for weeks while I think about when I should start looking through the "contributions".

As they say... "I'm too old for this shit." #AISlop #Darknet #YOLO

🎮 #yolo

Talk on the discord about how much time it takes to process images with Darknet/YOLO. No need to guess and throw wild speculation -- run any of the built-in Darknet/YOLO tools and it will tell you exactly how long it takes at every step.

loading /home/stephane/nn/driving/set_04_dash/frame_064661.jpg
-> reading image from disk ........... 3.781 milliseconds [1280 x 720 x 3] [78.7 KiB]
-> resizing image to network dims .... 0.383 milliseconds [640 x 352 x 3]
-> using Darknet to predict .......... 2.581 milliseconds [7 objects]
-> using Darknet to annotate image ... 0.071 milliseconds [1280 x 720 x 3]
-> save output image to disk ......... 2.123 milliseconds [84.9 KiB]
-> total time elapsed ................ 9.324 milliseconds [107 FPS]

#Darknet #YOLO #ObjectDetection #NeuralNetwork

📦 Three weeks of using my self-written open source sandbox for AI, IDE and more. I'm pretty happy with the experience!
https://holtwick.de/blog/bx-review
#ai #yolo #sandbox #security #privacy #macos #apple #opensource #oss

TAPe‑детекция против COCO и SOTA: как мы обошли RF‑DETR и YOLO, с легкостью уложившись в 100k параметров (вместо 100M)

Мы довели TAPe‑детекцию на COCO до уровня лучших SOTA‑моделей по точности, но с двумя порядками выигрыша по параметрам и радикально меньшими требованиями к данным и ресурсам. При этом модель держит 7–8 мс на изображение при mAP50 на уровне RF‑DETR‑2XL и работает почти одинаково быстро на GPU и CPU. В этом финальном посте нашего "дневника" мы подведем итоги эксперимента, покажем ключевые бенчмарки и объясним, почему TAPe‑подход позволяет реально экономить данные, железо и время разработки. В итоговой детекционной модели у нас меньше 100 000 параметров — примерно в 10 раз меньше, чем у ближайших «облегчённых» моделей уровня YOLO, и примерно в 1000 раз меньше, чем у сильных DETR‑подходов вроде RF‑DETR с 127 млн параметров. Прикоснуться к магии

https://habr.com/ru/articles/1023426/

#компьютерное_зрение #машинное_обучение #обнаружение_объектов #COCO #yolo #tape+ml #rfdetr #нейросети #аннотация_данных #производительность

Always a favorite - FruitML = teaching simple #TinyML with #fruit detection as the task, in our #IoT course

#yolo #mobileNets #InternetOfThings #MachineLearning #EdgeImpulse #TeachableMachines

#thereIsNoAI
#thereIsInParticularNoSustainableAI

but some tiny ML is fun

#whoNeedsDataCenters

TAPe‑дневник, день 8: сегментация по границам, 77% классификации и первые бенчмарки против YOLO

В этом посте продолжаем дневник TAPe‑детекции на COCO: добавляем сегментацию по контрастным патчам на границе объектов, дорабатываем классификацию, избавляемся от learning rate и смотрим, как ведёт себя YOLO на нашем маленьком датасете. А уже завтра покажем базовые и COCO‑бенчмарки, сравнения с YOLO и RF‑DETR по точности (mAP50/mAP50‑95), скорости, числу параметров и требованиям к данным, а заодно чуть подробнее поговорим про аннотацию и то, почему нам хватает десятков изображений на класс там, где другим нужны сотни тысяч. Вникнуть

https://habr.com/ru/articles/1021546/

#tape+ml #компьютерное_зрение #детекция_объектов #сегментация_изображений #COCO #selfsupervised #yolo #detr #learning_rate #embeddings

[Перевод] Аугментация ограничивающих боксов в детекции: форматы, `BboxParams` и типичные ошибки

Когда аугментации в детекции «не работают», проблема часто не в модели, а в bbox после преобразований. Неверный coord_format , перепутанные нормализованные и абсолютные координаты, агрессивные кропы, пустые боксы после фильтрации — всё это не ломает код, но quietly ломает обучение. В статье разбираю: — какие форматы bbox поддерживает Albumentations — как правильно настраивать A.BboxParams — когда использовать min_area и min_visibility — почему обычный RandomCrop часто плохая идея для detection — и где пайплайн чаще всего ломается на практике Если вы работаете с COCO , YOLO , pascal_voc или просто хотите перестать обучать модель на испорченной разметке — этот материал для вас.

https://habr.com/ru/articles/1020618/

#albumentations #bounding_boxes #object_detection #computer_vision #data_augmentation #bbox #coco #yolo #python #deep_learning

I don't talk about Darknet/YOLO much anymore on Mastodon. But I maintain the modern Darknet/YOLO repo.

This repo, written in C++ and CUDA, is used to analyze images and video frames to find objects. You train a neural network to identify things you need, and then you give it images or videos to inspect.

Darknet/YOLO is completely free. Uses the Apache 2 license.

The GitHub mirror is here: https://github.com/hank-ai/darknet/tree/v6-dev#table-of-contents

The main repo is here: https://codeberg.org/CCodeRun/darknet/src/branch/v6-dev#table-of-contents

An example image:
#Darknet #YOLO #NeuralNetwork #ObjectDetection

Advvvvertorial: Read about how SCHNELLE BUNTE BILDER are using industrial cameras by IDS-Imaging to create their magic:

https://de.ids-imaging.com/casestudies-detail/items/interactive-installations.html

#vvvv #visualprogramming #creativecoding #ids #yolo

@sebl @mburk @timpernagel

Hype for the future 148L: Central Valley Defined

https://novatopflex.wordpress.com/2026/03/28/hype-for-the-future-148l-central-valley-defined/

Don't YOLO your file system

https://jai.scs.stanford.edu/

#HackerNews #YOLO #your #file #system #fileSystem #dataManagement #HackerNews #techAdvice #digitalSafety

60 jaar vermist maar mogelijk is Luna 9 nu gevonden
Luna 9 maakte in 1966 een hobbelige landing op het maanoppervlak en werd daarmee de eerste ruimtesonde die op de
#Chandrayaan2 #landingsplaats #LRO #Luna9 #maan #ruimtesonde #SovjetUnie #YOLO
https://www.kuuke.nl/60-jaar-vermist-maar-mogelijk-is-luna-9-nu-gevonden/

69 часов экспериментов с YOLO. Что на самом деле влияет на качество модели

Существуют множество готовых решений, позволяющих запускать модели «из коробки», и YOLO не исключение. Встроенные механизмы автоматически подбирают параметры обучения модели, что удобно для быстрых экспериментов и прототипов. Но инженерный интерес рано или поздно берёт своё. Хочется попробовать разные версии, разобраться в тонкостях работы модели и понять, почему модель ведёт себя именно так, а не иначе. С одной стороны, кажется, зачем что-то менять, если уже есть «оптимальное решение»? А с другой исследовательский азарт: «А что, если попробовать так?» или «Почему это работает именно так?». На практике выясняется, что подбор гиперпараметров задача не такая уж простая. Важно учитывать версии библиотек, совместимость кода и особенности расчёта метрик, которые могут отличаться от релиза к релизу. В статье я делюсь собственным опытом экспериментов с разными версиями YOLO на личном датасете.

https://habr.com/ru/articles/983246/

#yolo #dataset #обучение_моделей #computer_vision #pcb #machine_learning #машинное_обучение #учусь_программировать #cv #ultralytics

Шпаргалка по инференсу на С++

Если ты только погружаешься в работу с инференсом на C++ и тебе интересно получить представление о том, как можно собирать и запускать популярные ML-библиотеки, то я рад поделиться базой, которую я использую в своих проектах. Здесь ты найдёшь простые проекты, решающие основные ML-задачи, и немного теории к этому коду. Надеюсь, что приведённый код может стать первой рабочей версией для новых фич в твоих проектах.

https://habr.com/ru/articles/986204/

#C++ #Inference #ML #OpenCV #mediapipe #ocr #yolo #triton #onnxruntime #pybind11

От идеи к реальности: как я собрал свой первый пет-проект по распознаванию языка жестов

ПРЕДЫСТОРИЯ Полгода назад, ближе к концу первого курса, я стал думать о будущей работе. Возможно на волне хайпа мой выбор пал на Нейронные сети. Начал с классического машинного обучения, а потом нашел хороший курс по свёрточным (CNN) и рекуррентным сетям. CNN меня впечатлили гораздо больше. После пары учебных проектов вроде классификации кошек и собак захотелось сделать что-то сложнее. Так появилась идея: детектировать руку в кадре и определять жест из американского языка жестов (ASL). Шесть месяцев назад, ближе к завершению первого курса, я начал искать направление для будущей карьеры в сфере IT. Мой выбор пал на нейронные сети. Изучение начал с основ машинного обучения, а затем перешел к курсам по свёрточным и рекуррентным сетям. CNN показались мне наиболее перспективными для практического применения. После выполнения учебных проектов вроде классификации кошек и собак захотелось сделать что-то сложнее. Так появилась идея: разработать алгоритм для детекции руки на видео и последующего распознавания жестов американского языка жестов (ASL).

https://habr.com/ru/articles/985694/

#CNN #YOLO #petproject

I started working on INT8 quantization in December, but have been mentally blocked for weeks now. I have very little motivation, and the lack of documentation for any of these advanced ONNX topic isn't helping. #cpp #ONNX #Darknet #YOLO

Ah yes, the age-old quest for a Rust paradise without the meddling borrow checker—because clearly, who needs memory safety when you can live on the edge? 😂🔪 Why bother with the pesky details of secure coding when you can just throw caution to the wind and #YOLO your way through software development? 🙈💻
https://github.com/buyukakyuz/rustmm #RustParadise #MemorySafety #SoftwareDevelopment #CodingHumor #EdgeOfChaos #HackerNews #ngated

Ah yes, the age-old quest for a Rust paradise without the meddling borrow checker—because clearly, who needs memory safety when you can live on the edge? 😂🔪 Why bother with the pesky details of secure coding when you can just throw caution to the wind and #YOLO your way through software development? 🙈💻
https://github.com/buyukakyuz/rustmm #RustParadise #MemorySafety #SoftwareDevelopment #CodingHumor #EdgeOfChaos #HackerNews #ngated

Ah yes, the age-old quest for a Rust paradise without the meddling borrow checker—because clearly, who needs memory safety when you can live on the edge? 😂🔪 Why bother with the pesky details of secure coding when you can just throw caution to the wind and #YOLO your way through software development? 🙈💻
https://github.com/buyukakyuz/rustmm #RustParadise #MemorySafety #SoftwareDevelopment #CodingHumor #EdgeOfChaos #HackerNews #ngated

Ah yes, the age-old quest for a Rust paradise without the meddling borrow checker—because clearly, who needs memory safety when you can live on the edge? 😂🔪 Why bother with the pesky details of secure coding when you can just throw caution to the wind and #YOLO your way through software development? 🙈💻
https://github.com/buyukakyuz/rustmm #RustParadise #MemorySafety #SoftwareDevelopment #CodingHumor #EdgeOfChaos #HackerNews #ngated

Как мы построили систему видеоаналитики на open source и довели её до продакшена

Всем привет, я Иван, продакт-менеджер. В этой статье разберу практический опыт построения системы видеоаналитики на базе open source-инструментов: от выбора библиотек и архитектуры до проблем с производительностью и масштабированием под десятки видеопотоков. Материал будет полезен инженерам, тимлидам и продакт-менеджерам и всем тем, кто рассматривает open source как основу для production-ready CV-систем.

https://habr.com/ru/articles/981268/

#видеоаналитика #computer_vision #YOLO #PyTorch #MLOps #cv #opensource

Working on INT8 quantization in the Darknet ONNX export tool. We already have support for FP32 and half-size FP16. But support for INT8 quantization is turning out to be much harder to implement. #Darknet #YOLO #ONNX

@theropologist if we were a cult, I would light a candle to bless your due diligence. As we are not, I will instead run naked through the streets screaming “ARE YOU NOT ENTERTAINED?!?” until your work here is done. #yolo #blessed #notacult #kony2012

Thinking it is time to release Darknet v5.1. The "Christmas 2025" edition? #Darknet #YOLO #ObjectDetection

Hackrocchio 2025

Mezcal Squat, viernes, 5 de diciembre, 16:00 CET

https://hacker.convoca.la/event/hackrocchio-2025

Hackrocchio 2025

Mezcal Squat, venerdì 5 dicembre alle ore 16:00 CET

Hackrocchio 2025

https://hackrocchio.org/

Un hackrocchio? ma cos'è? Boh, qua a Torino diciamo Tacun, ma in inglese dicono una patch, lo italianizziamo con patchare, ma dai si capisce quando si dice hackrocchio!? No??

Per quanto instabili i nostri hackrocchi funzionano! Riusciamo a stamparli, a crearli e a distribuirli perche' crediamo nell'autogestione sui nostri corpi, sulla tecnologia che ci circonda e crediamo che tutto parta dalla condivisione. Questo mondo non ci fa paura e lo vogliamo hackerare!

Sara' una tre giorni di Ascolto, Condivisione, Accrocchiamenti e Barbatrucchi La contaminazione è garantita, diamo spazio alla condivisione di saperi e riprendiamoci i nostri spazi.

Per info e ospitalità

https://hackrocchio.org/info/

https://gancio.cisti.org/event/hackrocchio-2025

#szkolenia to moje ulubione zajęcia

W ZS Elektryk w Słupsku prowadzę #Python dla nauczycieli technikum informatycznego.

Efektem pracy jest aplikacja #Python i #QT, która wykorzystując kamerę w laptopie i projekt #yolo (https://www.ultralytics.com/) #AI dokonuje detekcji obrazów i wyznacza prawdopodobieństwo obiektu. Nawet mój telefon z dużym prawdopodobieństwem wyznaczyła.

Przy okazji znowu #Linux okazał się wydajniejszy od #Windows, bo zdecydowanie lepiej się zachowuje.