Machine learning

YOLO (You Only Look Once)

Το YOLO (You Only Look Once) είναι ένας ανιχνευτής αντικειμένων συνελικτικής νευρωνικής αρχιτεκτονικής (convolutional object detector) τύπου single-shot και end-to-end, που εισήχθη από τους Redmon, Divvala, Girshick και Farhadi στο CVPR 2016. Επαναπροσδιορίζει την ανίχνευση αντικειμένων ως ένα ενιαίο πρόβλημα παλινδρόμησης — προβλέποντας τις συντεταγμένες του πλαισίου οριοθέτησης (bounding box) και τις πιθανότητες κλάσης απευθείας από μια εικόνα σε μία μόνο πέραση προς τα εμπρός (forward pass) — επιτυγχάνοντας ταχύτητες ανίχνευσης σε πραγματικό χρόνο που προηγούμενες μέθοδοι δύο σταδίων, όπως η R-CNN, δεν μπορούσαν να επιτύχουν. Η αρχική δημοσίευση γέννησε μια ευρέως υιοθετημένη οικογένεια διαδόχων (YOLOv2 έως v11) που συνεχίζει να κυριαρχεί στα σημεία αναφοράς (benchmarks) της εφαρμοσμένης ανίχνευσης αντικειμένων.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. DOI: 10.1109/CVPR.2016.91
  2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. ISBN: 978-0-262-03561-3

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). YOLO: You Only Look Once — Unified, Real-Time Object Detection. ScholarGate. https://scholargate.app/el/deep-learning/yolo

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Αναφέρεται από

ScholarGateYOLO (YOLO: You Only Look Once — Unified, Real-Time Object Detection). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/deep-learning/yolo · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026