YOLO-Anwendungsentwicklung ...

[kdw]

Hier die Quellen-Links zum Fachbeitrag "YOLO-Bilderkennung in der Automatisierung":

[1] Die Suche nach der minimal erforderlichen TOPS-Anzahl für eine YOLO-Applikation: https://www.reddit.com/r/embedded/comments/1gxhi7e/how_does_one_determine_the_minimum_tops/?tl=de

[2] Edge Impulse FOMO Algorithm https://docs.edgeimpulse.com/studio/projects/learning-blocks/blocks/object-detection/fomo

[3] Siehe „YOLO: Eine kurze Geschichte“ https://docs.ultralytics.com/de/#where-to-start

[4] Siehe „YOLO ist NICHT wirklich Open Source und du kannst es nicht kommerziell nutzen …“ https://www.reddit.com/r/computervision/comments/1gxce90/yolo_is_not_actually_opensource_and_you_cant_use/?tl=de

[5] Siehe „YOLOX is an anchor-free version of YOLO, with a simpler design but better performance“ https://github.com/megvii-basedetection/yolox

[6] Eaton Easy E4 für Wohn- und Zweckbauten https://www.eaton.com/content/dam/eaton/products/industrialcontrols-drives-automation-sensors/en-globalprime/programmable-logic-controllers-(plc)/easye4-programmable-relays/eaton-easye4-control-relay-flyer-fl050012de-de-de.pdf

[7] Roboflow Detector https://blog.roboflow.com/train-rf-detr-on-a-custom-dataset/ sowie https://universe.roboflow.com/search?q=object+detection+model+model%3Arfdetr

[8] OpenCV-Dokumentation „Detection of ArUco Markers“. Siehe https://docs.opencv.org/3.4/d5/dae/tutorial_aruco_detection.html

[9] Ultralytics YOLO26 als Echtzeit-Objektdetektor für Edge- und Low Power-Geräte https://docs.ultralytics.com/de/models/yolo26/

[10] NVIDIA „Deep Learning Institute“, siehe z. B. https://learn.nvidia.com/courses/course-detail?course_id=course-v1:DLI+S-RX-02+V2

[11] MIT Open Cource Ware „Deep Learning“ siehe, https://ocw.mit.edu/courses/6-7960-deep-learning-fall-2024/download/

Siehe auch "Roboter im Alltag: OSS You Only Look Once (YOLO)": https://www.roboter-im-alltag.org/docs/oss-you-only-look-once-yolo/

VG KDW