# リアルタイム物体検出

D-FINEはリアルタイム物体検出モデルで、DETRモデル内のバウンディングボックス回帰タスクを再定義することで、卓越した位置特定精度を実現しています。

D-FINEは強力なリアルタイム物体検出器で、DETRモデル内のバウンディングボックス回帰タスクを再定義することで卓越した位置特定精度を実現しました。

D-FINEは強力なリアルタイム物体検出モデルで、DETRモデルのバウンディングボックス回帰タスクを再定義することで、優れた位置決め精度を実現します。

D-FINE はリアルタイム物体検出モデルで、バウンディングボックス回帰タスクを再定義することで卓越した位置特定精度を実現しました。

D-FINEはリアルタイム物体検出モデルで、DETRモデルのバウンディングボックス回帰タスクを再定義することで卓越した位置特定精度を実現しました。

YOLOEは効率的で統一されたオープンな物体検出とセグメンテーションモデルで、テキストや視覚入力、プロンプト不要パラダイムなど様々なプロンプトメカニズムをサポートし、リアルタイムの万能視覚認識を実現します。

D-FINE は DETR アーキテクチャを改良したリアルタイム物体検出モデルで、バウンディングボックス回帰タスクを再定義することで卓越した位置特定精度を実現しています。

RT-DETRv2はDETRアーキテクチャを改良したリアルタイム物体検出モデルで、選択的マルチスケール特徴抽出や動的データ拡張などの革新点により検出性能を最適化しています。

RT-DETRv2は改良されたリアルタイム物体検出Transformerモデルで、選択的多スケール特徴抽出や動的データ拡張などの戦略により性能を向上させています。

RT-DETRv2はリアルタイム物体検出Transformerモデルの改良版で、マルチスケール特徴抽出と最適化されたトレーニング戦略により性能を向上させています。

RT-DETRv2はRT-DETRアーキテクチャを最適化したリアルタイム物体検出モデルで、選択的多スケール特徴抽出とトレーニング戦略の改善により、リアルタイム性能を維持しながら検出精度を向上させています。

YOLOアーキテクチャに基づく軽量顔検出モデルで、効率的な顔検出のために設計され、WIDERFACEデータセットでトレーニングされています。

YOLOv8はUltralyticsが開発した効率的な物体検出モデルで、YOLO（You Only Look Once）アーキテクチャに基づいており、リアルタイム物体検出タスクに適しています。

このモデルはPekingU/rtdetr_r50vd_coco_o365を医療用防護装備データセットcppe-5で微調整した物体検出モデルです

RT-DETRv2はTransformerアーキテクチャに基づくリアルタイム物体検出モデルで、改良されたベースラインモデルと無料テクニックパックにより性能を向上させています。

YOLOv5は世界で最も人気のある視覚AIモデルで、Ultralyticsによって開発され、数千時間の研究開発経験を統合し、効率的な物体検出能力を提供します。

RT-DETRv2は改良版リアルタイム検出トランスフォーマーで、プラグアンドプレイ最適化スキームを導入することで柔軟性と実用性を向上させ、トレーニング戦略を最適化してより強力な性能を実現しています。

CoreML形式に変換されたYOLOv9モデルで、Apple Neural Engine上で効率的に動作し、物体検出タスクをサポートします。

CoreML形式に変換されたYOLOv8モデルで、Appleニューラルエンジン上で動作可能

初のリアルタイムエンドツーエンド物体検出器、Transformerアーキテクチャに基づき、非極大抑制の必要性を排除、速度と精度でYOLOシリーズを凌駕

RT-DETRは初のリアルタイムエンドツーエンド物体検出器で、ハイブリッドエンコーダとクエリ選択メカニズムにより効率的な検出を実現し、NMS後処理が不要です。

YOLOv10xはYOLOシリーズの最新バージョンで、リアルタイムのエンドツーエンド物体検出に焦点を当て、より高い検出精度とより速い推論速度を提供します。

YOLOv10 はリアルタイムのエンドツーエンド物体検出モデルで、清華大学のチームによって開発され、YOLOシリーズの最新改良版に基づいています。

YOLOv10は、清華大学チームによって開発されたリアルタイムエンドツーエンド物体検出モデルで、YOLOシリーズの最新改良版です。

YOLOv10 は清華大学が提案したリアルタイムエンドツーエンド物体検出モデルで、効率的かつ高精度な特徴を持っています。

YOLOv10は清華大学が提案したリアルタイムエンドツーエンド物体検出モデルで、速度と精度の両面で顕著な向上が見られます。

YOLOv10は清華大学が提案したリアルタイムエンドツーエンド物体検出モデルで、効率的かつ正確な特徴を持っています。

RT-DETRは初のリアルタイムエンドツーエンド物体検出器で、効率的なハイブリッドエンコーダとクエリ選択メカニズムによりYOLOシリーズを超える速度と精度のバランスを実現

YOLOv10はリアルタイム物体検出モデルで、非極大抑制（NMS）などの後処理ステップを排除することで、効率的で追加コストのない物体検出を実現しています。

YOLOv10はリアルタイムのエンドツーエンド物体検出モデルで、効率的な推論速度と高い検出精度を備えています。

YOLOv10はリアルタイムのエンドツーエンド物体検出モデルで、効率的なレイテンシーと精度、サイズと精度のトレードオフを備えています。

YOLOv10は清華大学MIG研究所が開発したリアルタイムエンドツーエンド物体検出モデルで、効率的な検出性能と軽量なデプロイ能力を提供します。

YOLOv10は清華大学MIG研究所が開発した高効率なリアルタイム物体検出モデルで、エンドツーエンド検出機能を提供します。

YOLOv10は、追加コストなしの効率的なリアルタイム物体検出モデルです。アーキテクチャとトレーニング戦略を最適化することで、リアルタイム性を維持しながら検出精度を向上させています。

RT-DETRは初のリアルタイムエンドツーエンド物体検出Transformerモデルで、効率的なハイブリッドエンコーダとクエリ選択メカニズムによりNMS不要の効率的な検出を実現

RT-DETRは初のリアルタイムエンドツーエンド物体検出器で、効率的なハイブリッドエンコーダーと不確実性最小化クエリ選択メカニズムにより、COCOデータセットで53.1% AP、108 FPSの性能を達成しました。

初のリアルタイムエンドツーエンド物体検出器、ハイブリッドエンコーダとクエリ選択メカニズムによりNMS不要の効率的な検出を実現

YOLOv10はリアルタイムエンドツーエンド物体検出モデルで、効率的な検出性能と精度のバランスを提供します。

YOLOv9-C は YOLOv9 アーキテクチャに基づく物体検出モデルで、画像内の多様な物体をリアルタイムに検出するのに適しています。

YOLOv9に基づく物体検出モデル、Transformers.jsに対応し、ブラウザ上で動作可能