# 即時目標檢測

D-FINE是一種即時目標檢測模型，通過重新定義DETR模型中的邊界框迴歸任務，實現了卓越的定位精度。

D-FINE是一種強大的即時目標檢測器，通過重新定義DETR模型中的邊界框迴歸任務，實現了卓越的定位精度。

D-FINE是一個強大的即時目標檢測模型，通過重新定義DETR模型中的邊界框迴歸任務，實現了出色的定位精度。

D-FINE是一個強大的即時目標檢測模型，通過重新定義DETR模型中的邊界框迴歸任務，實現了出色的定位精度。

D-FINE 是一種即時目標檢測模型，通過重新定義邊界框迴歸任務，實現了卓越的定位精度。

D-FINE是一種即時目標檢測模型，通過重新定義DETR模型中的邊界框迴歸任務，實現了卓越的定位精度。

YOLOE是一個高效、統一且開放的目標檢測與分割模型，支持文本、視覺輸入及無提示範式等多種提示機制，實現即時全能視覺感知。

D-FINE 是一款基於 DETR 架構改進的即時目標檢測模型，通過重新定義邊界框迴歸任務實現了卓越的定位精度。

RT-DETRv2是基於RT-DETR架構優化的即時目標檢測模型，通過選擇性多尺度特徵提取和訓練策略改進，在保持即時性能的同時提升檢測精度。

RT-DETRv2是基於DETR架構改進的即時目標檢測模型，通過選擇性多尺度特徵提取和動態數據增強等創新點優化了檢測性能。

RT-DETRv2是一種改進的即時目標檢測Transformer模型，通過選擇性多尺度特徵提取和動態數據增強等策略提升性能。

RT-DETRv2是即時目標檢測Transformer模型的改進版本，通過多尺度特徵提取和優化訓練策略提升性能。

基於YOLO架構的輕量化人臉檢測模型，專為高效人臉檢測設計，在WIDERFACE數據集上訓練。

YOLOv8 是 Ultralytics 開發的一個高效的目標檢測模型，基於 YOLO (You Only Look Once) 架構，適用於即時目標檢測任務。

本模型是基於PekingU/rtdetr_r50vd_coco_o365在醫療防護裝備數據集cppe-5上微調的目標檢測模型

RT-DETRv2是基於Transformer架構的即時目標檢測模型，通過改進的基線模型和免費技巧包提升性能。

YOLOv5是全球最受歡迎的視覺AI模型，由Ultralytics開發，融合了數千小時研發經驗，提供高效的目標檢測能力。

RT-DETRv2是改進版即時檢測變換器，通過引入即插即用優化方案提升靈活性與實用性，並優化訓練策略實現更強性能。

已轉換為CoreML格式的YOLOv9模型，可在蘋果神經引擎上高效運行，支持目標檢測任務。

已轉換為CoreML格式的YOLOv8模型，可在蘋果神經引擎上運行

首個即時端到端目標檢測器，基於Transformer架構，消除非極大值抑制需求，在速度與精度上超越YOLO系列

RT-DETR是首個即時端到端目標檢測器，通過混合編碼器和查詢選擇機制實現高效檢測，無需NMS後處理。

YOLOv10x 是 YOLO 系列的最新版本，專注於即時端到端目標檢測，提供更高的檢測精度和更快的推理速度。

YOLOv10 是一個即時端到端目標檢測模型，由清華大學團隊開發，基於 YOLO 系列的最新改進版本。

YOLOv10 是一個即時端到端目標檢測模型，由清華大學團隊開發，基於 YOLO 系列的最新改進版本。

YOLOv10 是清華大學提出的即時端到端目標檢測模型，具有高效和精準的特點。

YOLOv10是清華大學提出的即時端到端目標檢測模型，在速度和精度上均有顯著提升。

YOLOv10是清華大學提出的即時端到端目標檢測模型，具有高效和準確的特點。

RT-DETR是首個即時端到端目標檢測器，通過高效混合編碼器和查詢選擇機制實現超越YOLO系列的速度與精度平衡

YOLOv10是一種即時目標檢測模型，通過消除非極大值抑制（NMS）等後處理步驟，實現了高效且無額外開銷的目標檢測。

YOLOv10是一種即時端到端目標檢測模型，具有高效的推理速度和較高的檢測精度。

YOLOv10是一種即時端到端目標檢測模型，具有高效的延遲-精度和尺寸-精度權衡。

YOLOv10是清華大學MIG實驗室開發的即時端到端目標檢測模型，提供高效的檢測性能和輕量級部署能力。

YOLOv10是即時端到端目標檢測模型，提供高效的檢測性能和精度平衡。

YOLOv10是清華大學MIG實驗室開發的高效即時目標檢測模型，提供端到端檢測能力。

YOLOv10 是一種高效的無額外代價即時目標檢測模型，通過優化架構和訓練策略，在保持即時性的同時提升了檢測精度。

RT-DETR是首個即時端到端目標檢測Transformer模型，通過高效混合編碼器和查詢選擇機制實現無NMS的高效檢測

RT-DETR是首個即時端到端目標檢測器，通過高效混合編碼器和不確定性最小化查詢選擇機制，在COCO數據集上達到53.1% AP，108 FPS的性能。

首個即時端到端目標檢測器，通過混合編碼器和查詢選擇機制實現無NMS的高效檢測

基於 YOLOv9 的目標檢測模型，適配 Transformers.js，支持在瀏覽器中運行