待验证50% 置信事实精确时间
YOLO系列实时目标检测算法可以在边缘计算设备上以极低延迟完成对车辆、人员、建筑等目标的自动识别和分类
1
来源数
50%
置信度
长期有效
时效性
2026/9/6
首次发现
来源
涉及实体
相关事实
待验证自动标注管线常见架构是将目标检测模型（如 YOLO 系列、DINO、Grounding DINO）与 SAM 级联，先产出边界框再作为提示输入 SAM 获取精细掩膜72% 相似待验证目标检测传统上由 YOLO、Faster R-CNN、DETR 等专用架构主导，通过专用检测头回归边界框坐标与类别概率72% 相似待验证可借助 tokio-console（基于 tracing 的运行时观测工具）实时监控每个任务的 poll 耗时以定位阻塞任务70% 相似待验证One-stage检测器（如YOLO、SSD）将候选框生成与分类合并为一步，在单次前向传播中完成所有预测69% 相似待验证YOLO is presented as a deep learning method for industrial defect detection that is suitable when sufficient labeled defect samples are available.67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/867119API
curl https://kongchang.com/api/v1/knowledge/claims/867119MCP
get_claim(id=867119)