本文介绍了瑞莎星睿 O6 (Radxa Orion O6) 开发板结合 OpenCV 和 Ultralytics 库实现 YOLO26 板端部署，并实现目标识别、姿态估计、图像...
本文介绍了瑞莎星睿 O6 (Radxa Orion O6) 开发板结合 YOLO 算法模型实现图像分割的项目设计，包括环境搭建、预训练模型、工程代码和效果...
本文介绍了瑞莎星睿 O6 (Radxa Orion O6) 开发板结合 YOLO 模型实现人体姿态识别的项目设计，包括环境搭建、预训练模型、工程代码和效果...
本文介绍了瑞莎星睿 O6 (Radxa Orion O6) 开发板结合 LPRNet 算法和 Ultralytics 模型 OCR 实现车牌识别的项目设计，包括环境部署、模型...
本文介绍了瑞莎星睿 O6 (Radxa Orion O6) 开发板结合 YOLO 模型实现物体识别的项目设计，包括通过 CPU 和 NPU 实现板端推理的相关流程。
随着边缘智能技术的飞速发展，实时目标检测在安防监控、自动驾驶等场景的需求日益迫切，这对边缘设备的算力与能效提出了严苛要求。高通 ...
在边缘计算与 AI 深度融合的时代，硬件平台的算力释放与模型部署效率正成为技术落地的关键支点。高通 QCS8550 作为集成 48TOPS AI 算力...
局部信息聚合与成对相关性建模的局限性：YOLOv11及更早版本依赖于卷积机制，感受野受限；而YOLOv12引入的区域自注意力机制虽然扩展了感...
在当今科技飞速发展的时代，边缘计算和人工智能的融合正推动着众多领域的创新变革。而在这一进程中，硬件平台的性能起着至关重要的作用...
现有视觉语言模型（LVLMs）在处理多样化视觉感知任务时依赖任务特定模块和奖励函数，导致可扩展性和泛化能力受限
1.网络选取我们选取AI-Benchmark中4个常见类别的测试项，分别对瑞萨-O6的CPU、GPU、高通8均3的CPU、GPU、NPU进行测试：有：分类网络：In...
在当下人工智能蓬勃发展的时代，设备的 NPU（神经网络处理器）算力成为衡量其 AI 处理能力的关键指标。“星瑞” O6 凭借其独特的 NPU 设计...
检测和跟踪多个无人机（UAV）在热红外视频中的任务由于对比度低、环境噪声和目标尺寸小而具有内在的挑战性。本文提供了一种简单的方法来...
在低光照条件下有效检测交通标志仍然是一个重大挑战。为了解决这个问题，作者提出了 YOLO-LLTS，这是一种专门为低光照环境设计的端到端...
瑞莎星睿 O6 (Radxa Orion O6) 拥有高达 28.8TOPs NPU (Neural Processing Unit) 算力，支持 INT4、INT8、INT16、FP16、BF16 和 TF32 类...
实时目标检测器如 YOLO 在训练于大型数据集并经过多个 epoch 后表现出色。然而，在数据增量到达的真实场景中，神经网络会遭受灾难性遗忘...
小目标检测尤其困难，因为它们像素计数低、背景复杂、拍摄角度多变，这使得模型难以提取有效特征。虽然一些大规模模型提供了高精度，但...
本文针对传统 Bottleneck 结构（由于过度强调批处理统计导致实例可区分性降低）和解耦 Head （计算冗余）在目标检测框架中的固有局限性...
提升 YOLO 框架的网络架构一直至关重要，尽管注意力机制在建模能力方面已被证明具有优越性，但长期以来一直专注于基于 CNN 的改进。这是...
论文：[链接]代码：[链接]本文创新点这篇论文围绕实时目标检测，在网络架构设计上引入创新，克服了传统注意力机制在实时应用中的速度瓶...
