最新的回應
| 發表人 | 討論 | 發表時間 |
|---|---|---|
B11333056 | YOLO 目前主要有 7 種 AI 辨識任務：Ultralytics * 物件偵測：辨識人、車、物品的位置。 * 影像分類：判斷圖片屬於哪種類別。 * 實例分割：精準辨識物體輪廓。 * 語意分割：分類圖片中的每個像素。 * 姿態辨識：辨識人體關節與動作。 * 旋轉框偵測（OBB）：辨識不同角度的物體。 * 深度估計：推估畫面中物體的遠近。 另外還能搭配物件追蹤，持續追蹤影片中的人或車。 | 10-28 |
B11333017 | 物件偵測 物件分割 姿態辨識 影像分類 旋轉框偵測 語意分割 深度估計 | 10-28 |
B11233034 | YOLO 提供的 AI 辨識功能主要有： 物件偵測：辨識人、車輛、物品等。 影像分類：判斷圖片的類別。 實例分割：辨識物體的像素級輪廓。 人體姿態辨識：偵測人體關鍵點與骨架。 旋轉框偵測：偵測不同角度的物體。 語意分割：將影像中的像素分類。 物件追蹤：追蹤影片中物體的移動。 深度估計：估計影像中物體的遠近。 | 10-28 |
柏佑 | 物件偵測 物件分割 姿態辨識 影像分類 旋轉框偵測 語意分割 深度估計 | 10-28 |
承恩 | 1. 物件偵測 (Object Detection)原理：辨識影像中的物體，並在物體周圍畫出矩形框 (Bounding Box)，同時標示類別與信心度。 應用場景：智慧交通車流監控、人流統計、邊緣設備安防監控。 2. 旋轉物件偵測 (Oriented Bounding Boxes, OBB) 原理：傳統矩形框只能水平/垂直框選，OBB 帶有角度旋轉能力，能精準貼合傾斜或任意角度擺放的物體。 應用場景：空拍/衛星圖分析、工業零件傾斜瑕疵檢測、傾斜文件辨識。 3. 實體分割 (Instance Segmentation)原理：比單純畫框更精細，它會沿著物體邊緣進行像素級的遮罩 (Mask) 標記，且能區分不同個體（例如：分清第一隻貓與第二隻貓）。 應用場景：自動駕駛邊界識別、醫療影像腫瘤切割、農作物生長區域分析。 4. 語意分割 (Semantic Segmentation) 原理：為影像中的每一個像素填入類別標籤（如：天空、道路、建築物），不強調區分個體，而是理解整張圖的空間結構佈局。 應用場景：自動駕駛的可通行區域辨識、地貌與土地利用繪製。 5. 姿態估計與關鍵點檢測 (Pose Estimation / Keypoint Detection) 原理：識別目標上的關鍵點 (Keypoints)（如人體的關節：肩膀、手肘、膝蓋，或臉部特徵點）並進行連線。 應用場景：健身/體育動作分析、人機互動、工廠人員安全姿勢監控。 6. 影像分類 (Image Classification)原理：不標示物體位置或邊框，而是對整張圖片給出一個整體分類標籤。 應用場景：電商商品自動分類、內容安全審核、不良圖片過濾。 7. 單目深度估計 (Depth Estimation) 原理：僅透過單張普通的 RGB 彩色照片，預測出畫面上每個像素距離鏡頭的深度（距離）。 應用場景：3D 場景重建、機器人避障導航、AR/VR 擴增實境。 額外支援功能：物件追蹤 (Object Tracking) 上述辨識任務皆可搭配 Object Tracking 演算法（如 ByteTRACK、BoT-SORT）。當處理動態影片時，YOLO 能為每個偵測到的目標分配唯一 ID，實現跨影格的連續追蹤（例如：計算車輛經過的速度與軌跡）。 | 10-28 |
B11333053 | YOLO 主要提供的 AI 辨識任務 透過不同版本的演進與擴充，YOLO 不僅限於簡單的框選，還支援多種視覺任務： • 物件偵測（Object Detection）：辨識圖片或影片中的多個目標物，並同時給出類別標籤與邊界框（Bounding Box），常用於車輛、行人或物品偵測。 • 影像分類（Image Classification）：判斷整張圖片主要屬於哪一種類別。 • 實例分割（Instance Segmentation）：不只是框出矩形範圍，還能精準勾勒出目標物的像素級輪廓（常見於 YOLOv8 等版本）。 • 姿勢估計（Pose Estimation）：追蹤人體關鍵點（如關節、骨架），應用於動作辨識與體感追蹤。 • 多物件追蹤（MOT / Tracking）：在連續的影片畫面中，對移動中的目標物進行持續編號與軌跡追蹤。 | 10-28 |
B11233073 | 目標檢測（Object Detection）： 在畫面中的物件周圍標出「邊界框（Bounding Box）」並判斷類別。 實例分割（Instance Segmentation）： 精準描繪出每個物件的邊緣輪廓。 語義分割（Semantic Segmentation）： 按像素將圖像分類。 圖像分類（Classification）： 針對整張圖片判斷屬於哪一個類別。 姿態估計（Pose Estimation）： 辨識人體或物件的關鍵點。 有向邊界框（Oriented Bounding Box, OBB）： 針對具備旋轉角度的物體給予帶角度的方框。 深度估計（Depth Estimation）： 將單張 2D 照片轉換為深度圖，計算每個像素與鏡頭的距離。 多目標追蹤（Multi-Object Tracking）： 在連續的影片或即時影像中，對移動的物件進行跨影格的編號與追蹤。 | 10-28 |
敏恩 | YOLO 主要能做到的 5 種 AI 辨識： 物件偵測（畫框框） 找出物體在哪裡，並用框框標示出來。（例：標出畫面中的行人與車輛） 實體分割（標輪廓） 比畫框更精確，連物體的邊緣形狀都完整塗色圈出來。（例：精準圈出水果或腫瘤的形狀） 姿態估計（抓骨架） 抓出人體骨架的關節點。（例：判斷健身動作是否標準、跌倒偵測） 旋轉框檢測（斜著框） 幫傾斜或旋轉的目標畫斜的框。（例：俯瞰空拍圖中的船隻、傾斜的文字） 影像分類（看整張圖） 不標位置，直接回答整張照片是什麼。（例：判斷這張照片是「貓」還是「狗」） | 10-28 |
B11333015 | 物件偵測：辨識物體種類、位置及數量。 影像分類：判斷圖片所屬類別。 影像分割：辨識物體的精確輪廓。 語意分割：分類影像中的不同區域。 人體姿態辨識：辨識人體關節與動作。 旋轉框偵測：辨識不同角度的物體。 深度估計：估計物體的遠近。 物件追蹤：追蹤物體在影片中的移動。 自訂物件辨識：訓練模型辨識特定物件或瑕疵。 文字提示辨識：部分模型可依文字描述尋找物體。 | 10-28 |
B11333031 | 1. 物件偵測（Object Detection） 辨識畫面中有哪些物品，並用方框標示位置。 例如：人、狗、汽車、手機、杯子。 2. 人體姿態偵測（Pose Estimation） 偵測人體關節位置，常見模型可辨識 17 個人體關鍵點。 例如：膝蓋彎曲角度、手臂抬起、深蹲動作、走路姿勢。 3. 影像分割（Segmentation） 不只用方框辨識物品，還能分出物體的像素範圍。 例如：分辨人物與背景、找出道路或物品的輪廓。 4. 旋轉框偵測（OBB） 使用可旋轉的方框標示物體，適合辨識不同方向的物品。 例如：衛星空拍圖中的船隻、飛機、建築物。 5. 影像分類（Classification） 判斷整張圖片主要屬於哪一個類別，不一定會標示物體的位置。 例如：判斷圖片是貓、狗、汽車或其他物品。 | 10-28 |
B11333020 | 1. 物件偵測（Object Detection） 辨識畫面中有哪些物品，並用方框標示位置。 例如：人、狗、汽車、手機、杯子。 2. 人體姿態偵測（Pose Estimation） 偵測人體關節位置，常見模型可辨識 17 個人體關鍵點。 例如：膝蓋彎曲角度、手臂抬起、深蹲動作、走路姿勢。 3. 影像分割（Segmentation） 不只用方框辨識物品，還能分出物體的像素範圍。 例如：分辨人物與背景、找出道路或物品的輪廓。 4. 旋轉框偵測（OBB） 使用可旋轉的方框標示物體，適合辨識不同方向的物品。 例如：衛星空拍圖中的船隻、飛機、建築物。 5. 影像分類（Classification） 判斷整張圖片主要屬於哪一個類別，不一定會標示物體的位置。 例如：判斷圖片是貓、狗、汽車或其他物品。 | 10-28 |
B11333001 | YOLO 常見的 6 種 AI 辨識功能： 1. 物件偵測：辨識物品並框出位置。 2. 影像分類：判斷圖片中的物品類別。 3. 人體姿態辨識：偵測人體關節與姿勢。 4. 影像分割：辨識物體的精確輪廓。 5. 旋轉框偵測：辨識不同角度的物體。 6. 物件追蹤：持續追蹤移動中的物體。 | 10-28 |
文心 | 1. 物件檢測（Object Detection） 2. 實例分割（Instance Segmentation） 3. 關鍵點與姿勢估計（Pose Estimation / Keypoint Detection） 4. 旋轉框檢測（Oriented Bounding Boxes, OBB） 5. 影像分類（Image Classification） 6. 物件追蹤（Object Tracking / Multi-Object Tracking) 7. 開放詞彙/文字提示辨識（Open-Vocabulary / Zero-Shot Detection） | 10-28 |
B11333028 | 物件檢測 (Object Detection)：用矩形框標出目標位置與類別。 實體分割 (Instance Segmentation)：標出目標的精確像素級輪廓。 姿勢估計 (Pose Estimation)：抓取人體或動物的骨架與關鍵點。 旋轉框檢測 (OBB)：辨識具傾斜角度的目標（如航拍照片）。 圖像分類 (Classification)：直接判斷整張圖片的屬性與類別。 物件追蹤 (Tracking)：在動態影片中持續追蹤特定物件的移動軌跡。 | 10-28 |
B11333010 | 1. 物件偵測（Detection） 2. 影像分割（Segmentation） 3. 影像分類（Classification） 4. 姿態辨識（Pose Estimation） 5. 旋轉框偵測（OBB） 6. 語意分割（Semantic Segmentation） 7. 深度估計（Depth Estimation） | 10-28 |
紫㚬 | YOLO 從最早的單純物件偵測，目前已經發展為一個全方位的電腦視覺框架，主要支援以下 6 種 AI 辨識任務： 物件偵測：用方框框出物件並辨識類別（如車輛、行人）。 實例分割：精準描繪出物件的像素級輪廓。 語義分割：將圖片中每個像素分類（如區分道路、天空、建築物）。 影像分類：判定整張圖片的核心類別（如分辨貓或狗）。 姿態估計：追蹤人體或物件的關鍵關節點（如運動姿勢分析）。 旋轉物件偵測：支援旋轉角度的邊界框，適合空拍圖、斜向物體或傾斜文字。 | 10-28 |