YOLO系列算法是目標識別領域很重要的技術之一，因為性能強大、消耗算力較少，一直以來都是實時目標檢測領域的主要范式。該框架被***用于各種實際應用，包括自動駕駛、監控和物流等行業的目標識別。自今年2月YOLOv9發布以后，近期，清華又推出了YOLOv10，作為計算機視覺領域的突破性框架，具備實時的端到端目標檢測能力，通過提供結合效率和準確性的強大解決方案，延續了YOLO系列的傳統。據悉，YOLOv10在各種模型規模上都實現了SOTA性能和效率。例如，YOLOv10-S在COCO上的類似AP下比RT-DETR-R18快1.8倍，同時參數數量和FLOP大幅減少。與YOLOv9-C相比，在性能相同的情況下，YOLOv10-B的延遲減少了46%，參數減少了25%。不斷提高目標檢測算法的準確性和效率能夠幫助提升標注精度。四川算法定制AI智能高效處理

要解決小目標難以追蹤的這個難題，慧視光電的算法工程師給出了小目標識別算法的方案，通過加強目標特征、數據增廣、放大輸入圖像、使用高分辨率的特征、設計合適的標簽分配方法，以讓小目標有更多的正樣本、利用小目標所處的環境信息或者其他容易檢測的物體之間的關系來輔助小目標的檢測。此外，利用自研的深度學習算法開發平臺，通過不斷的深度學習，能夠讓AI更加精細的識別目標。這個方法在瑞芯微RK3588、RV1126、RK3399pro等系列圖像跟蹤板上得到了較好地驗證。因此，將這個算法用在無人機高空識別領域，完全能夠彌補傳統算法的不足，達到更加穩定鎖定跟蹤的目的。江西智慧交通AI智能方案**利用深度學習能夠讓AI更加聰明。

深度學習是機器學習的一個分支，只在近十年內才得到廣泛的關注與發展。它與機器學習不同的，它模擬我們人類自己去識別人臉的思路。比如，神經學家發現了我們人類在認識一個東西、觀察一個東西的時候，邊緣檢測類的神經元先反應比較大，也就是說我們看物體的時候永遠都是先觀察到邊緣。就這樣，經過科學家大量的觀察與實驗，總結出人眼識別的模式是基于特殊層級的抓取，從一個簡單的層級到一個復雜的層級，這個層級的轉變是有一個抽象迭代的過程的。深度學習就模擬了我們人類去觀測物體這樣一種方式，首先拿到互聯網上海量的數據，拿到以后才有海量樣本，把海量樣本抓取過來做訓練，抓取到重要特征，建立一個網絡，因為深度學習就是建立一個多層的神經網絡，肯定有很多層。有些簡單的算法可能只有四五層，但是有些復雜的，像剛才講的谷歌的，里面有一百多層。當然這其中有的層會去做一些數學計算，有的層會做圖像預算，一般隨著層級往下，特征會越來越抽象。

無人機搭載如光電吊艙等帶有攝像頭的設備后，達到了實現智能識別的硬件條件，但是傳統的攝像頭只能獲取圖像，并不具備AI識別的功能。無人機AI識別算法的關鍵還是在于模仿人眼一樣進行視覺處理，然后AI進行智能提取和分析圖像，再和訓練模型進行快速比對，從而在無人機快速飛行的過程中做到實時目標識別。要想實現目標識別需要的硬件支持就是AI圖像處理板。圖像處理板通過算法的賦能，就能夠對目標區域的物體進行AI識別分析，從而做出判斷。由于無人機作業的環境復雜，因此對于圖像處理板的要求需要進一步提升。成都慧視開發的Viztra-HE030圖像處理板，采用了工業級芯片RK3588，采用先進架構，8核（4大4小）處理，算力能夠達到6.0TOPS。同時，慧視光電能夠根據需求環境定制豐富的輸出接口。數據的資源越好，模型的準確度就越高。

慧視光電開發的Viztra-HE030圖像處理板采用了工業級芯片RK3588，內部植入公司自主研發的智能圖像算法，架構更先進，核心數8核（4大4小），算力6.0TOPS，支持豐富的輸出接口，同時支持H264、H265兩類視頻編碼。可實時對目標進行識別或者人為的的鎖定，同時可以根據輸出目標的靶量信息，對目標進行實時跟蹤。這是達成目的的硬件條件。在算法領域，則需要一些特殊的算法。無人機執行任務時飛在高空，地面的物體就會顯得較小，小目標通常指圖像中像素面積小于32*32的物體，一般的AI算法難以實現精細鎖定跟蹤。人工標注仍然是必要的。貴州深度學習AI智能供應商

毫秒級的AI圖像標注工具SpeedDP。四川算法定制AI智能高效處理

這個過程中，如何讓無人機理解并提取分析圖像很關鍵，這就需要高精尖的目標識別算法。成都慧視開發的AI智能算法分析是一種計算機的“分析”和“識別”技術，是一種計算機“視覺”科技，也就是把攝像機當作人的“眼睛”，智能設備終端作為人的“大腦”，讓視頻系統具有人一樣的判斷危險或者其他特殊情況發生的能力。圖像處理板和這樣的目標識別算法的合力之下，就可實時對目標進行識別或者人為的的鎖定，同時可以根據輸出目標的靶量信息，對目標進行實時跟蹤。這就是無人機實現智能識別的一種高效方法，通過實時的目標識別處理無人機獲取的數據，讓無人機的工作更加高效。四川算法定制AI智能高效處理