昨天，Ultralytics团队正式推出YOLOv8.3.102版本，此次更新聚焦于模型架构优化与开发效率提升，通过引入全新模块、重构代码结构及增强工业级部署能力，为计算机视觉领域的研究者与开发者带来更高效、灵活的目标检测解决方案。以下是本次更新的核心亮点与功能详解：

传统的标注，需要使用标注软件人工一个一个的标注，太耗费时间和精力，如果我们有个基础的、通用的模型，但是效果一般，然后想要重新标注，我们就可以使用现有的模型，生成VOC格式的标签文件。

布局检测是文档解析领域的核心任务之一，目标是精准定位文档中不同类型的元素（正文、标题、表格、图片等）。尽管布局检测已经研究很多年，但现有的布局检测算法多关注在论文类型的文档，当面对多样性的文档（如教材、考题、研报等）时，其检测效果还是不及预期。

一、准备深度学习环境

近期搞智能体应用，需要使用各种工具模型的服务，包括图像识别，OCR等。于是用FastAPI构建了一系列的工具服务，这是其中之一。

YOLO

Pine 发自 凹非寺
量子位 | 公众号 QbitAI

前脚美团刚发布YOLOv6， YOLO官方团队又放出新版本。

曾参与YOLO项目维护的大神Alexey Bochkovskiy在推特上声称：

机器之心报道

机器之心编辑部

题目

基于机器视觉盲人障碍检测研究

场景：

模型结构

通过捕获long-range dependency提取全局信息，对各种视觉任务都是很有帮助的，典型的方法是Non-local Network自注意力机制。对于每个查询位置（query position），Non-local network首先计算该位置和所有位置之间一个两两成对的关系，得到一个attention map。然后对attention map所有位置的权重加权求和得到汇总特征，每一个查询位置都得到一个汇总特征，将汇总特征与原始特征相加得到最终输出。对于某个query position，nNon-local network计算的另一个位置与该位置的关系即一个权重值表示这个位置对query位置的重要程度。但现有研究发现不同的query位置其对应的attention map几乎一样，如下图所示

摘要：基于深度学习的高精度电动车检测识别系统可用于日常生活中检测与定位电动车目标，利用深度学习算法可实现图片、视频、摄像头等方式的电动车目标检测识别，另外支持结果可视化与图片或视频检测结果的导出。本系统采用YOLOv5目标检测模型训练数据集，使用Pysdie6库来搭建页面展示系统，同时支持ONNX、PT等模型作为权重模型的输出。本系统支持的功能包括电动车训练模型的导入、初始化；

置信分与IOU阈值的调节、图像上传、检测、可视化结果展示、结果导出与结束检测；视频的上传、检测、可视化结果展示、结果导出与结束检测；摄像头的上传、检测、可视化结果展示与结束检测；已检测目标列表、位置信息；前向推理用时。另外本电动车检测识别系统同时支持原始图像与检测结果图像的同时展示，原始视频与检测结果视频的同时展示。本博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。