# 实时目标检测

D-FINE是一种实时目标检测模型，通过重新定义DETR模型中的边界框回归任务，实现了卓越的定位精度。

D-FINE是一种强大的实时目标检测器，通过重新定义DETR模型中的边界框回归任务，实现了卓越的定位精度。

D-FINE是一个强大的实时目标检测模型，通过重新定义DETR模型中的边界框回归任务，实现了出色的定位精度。

D-FINE是一个强大的实时目标检测模型，通过重新定义DETR模型中的边界框回归任务，实现了出色的定位精度。

D-FINE 是一种实时目标检测模型，通过重新定义边界框回归任务，实现了卓越的定位精度。

D-FINE是一种实时目标检测模型，通过重新定义DETR模型中的边界框回归任务，实现了卓越的定位精度。

YOLOE是一个高效、统一且开放的目标检测与分割模型，支持文本、视觉输入及无提示范式等多种提示机制，实现实时全能视觉感知。

D-FINE 是一款基于 DETR 架构改进的实时目标检测模型，通过重新定义边界框回归任务实现了卓越的定位精度。

RT-DETRv2是基于DETR架构改进的实时目标检测模型，通过选择性多尺度特征提取和动态数据增强等创新点优化了检测性能。

RT-DETRv2是一种改进的实时目标检测Transformer模型，通过选择性多尺度特征提取和动态数据增强等策略提升性能。

RT-DETRv2是实时目标检测Transformer模型的改进版本，通过多尺度特征提取和优化训练策略提升性能。

RT-DETRv2是基于RT-DETR架构优化的实时目标检测模型，通过选择性多尺度特征提取和训练策略改进，在保持实时性能的同时提升检测精度。

基于YOLO架构的轻量化人脸检测模型，专为高效人脸检测设计，在WIDERFACE数据集上训练。

YOLOv8 是 Ultralytics 开发的一个高效的目标检测模型，基于 YOLO (You Only Look Once) 架构，适用于实时目标检测任务。

本模型是基于PekingU/rtdetr_r50vd_coco_o365在医疗防护装备数据集cppe-5上微调的目标检测模型

RT-DETRv2是基于Transformer架构的实时目标检测模型，通过改进的基线模型和免费技巧包提升性能。

YOLOv5是全球最受欢迎的视觉AI模型，由Ultralytics开发，融合了数千小时研发经验，提供高效的目标检测能力。

RT-DETRv2是改进版实时检测变换器，通过引入即插即用优化方案提升灵活性与实用性，并优化训练策略实现更强性能。

已转换为CoreML格式的YOLOv9模型，可在苹果神经引擎上高效运行，支持目标检测任务。

已转换为CoreML格式的YOLOv8模型，可在苹果神经引擎上运行

首个实时端到端目标检测器，基于Transformer架构，消除非极大值抑制需求，在速度与精度上超越YOLO系列

RT-DETR是首个实时端到端目标检测器，通过混合编码器和查询选择机制实现高效检测，无需NMS后处理。

YOLOv10x 是 YOLO 系列的最新版本，专注于实时端到端目标检测，提供更高的检测精度和更快的推理速度。

YOLOv10 是一个实时端到端目标检测模型，由清华大学团队开发，基于 YOLO 系列的最新改进版本。

YOLOv10 是一个实时端到端目标检测模型，由清华大学团队开发，基于 YOLO 系列的最新改进版本。

YOLOv10 是清华大学提出的实时端到端目标检测模型，具有高效和精准的特点。

YOLOv10是清华大学提出的实时端到端目标检测模型，在速度和精度上均有显著提升。

YOLOv10是清华大学提出的实时端到端目标检测模型，具有高效和准确的特点。

RT-DETR是首个实时端到端目标检测器，通过高效混合编码器和查询选择机制实现超越YOLO系列的速度与精度平衡

YOLOv10是一种实时目标检测模型，通过消除非极大值抑制（NMS）等后处理步骤，实现了高效且无额外开销的目标检测。

YOLOv10是一种实时端到端目标检测模型，具有高效的推理速度和较高的检测精度。

YOLOv10是一种实时端到端目标检测模型，具有高效的延迟-精度和尺寸-精度权衡。

YOLOv10是清华大学MIG实验室开发的实时端到端目标检测模型，提供高效的检测性能和轻量级部署能力。

YOLOv10是实时端到端目标检测模型，提供高效的检测性能和精度平衡。

YOLOv10是清华大学MIG实验室开发的高效实时目标检测模型，提供端到端检测能力。

YOLOv10 是一种高效的无额外代价实时目标检测模型，通过优化架构和训练策略，在保持实时性的同时提升了检测精度。

RT-DETR是首个实时端到端目标检测Transformer模型，通过高效混合编码器和查询选择机制实现无NMS的高效检测

RT-DETR是首个实时端到端目标检测器，通过高效混合编码器和不确定性最小化查询选择机制，在COCO数据集上达到53.1% AP，108 FPS的性能。

首个实时端到端目标检测器，通过混合编码器和查询选择机制实现无NMS的高效检测

基于 YOLOv9 的目标检测模型，适配 Transformers.js，支持在浏览器中运行