YOLO，即你只看一次。该神经网络在微软COCO数据集上被公认为解决实时物体检测/识别问题最准确的网络。
YOLO 神经网络
神经网络，其运行原理如下：首先，将输入图像分成一组形成网格的单元（cell）。随后对原始图像进行压缩，直到得到一个 13×13 的方阵，每个单元格包含图像相应部分中物体的存在情况及其类别的信息。因此，YOLO 只需要查看图像一次，而不需要像类似的神经网络那样查看两次。这种方法显著提高了处理速度，并且所需的计算能力显著减少。
YOLOv5是改进的第五个版本，在PyTorch框架上实现。 YOLOv5 是同名 Python3 模块的一部分，可以从 pypi 安装。该模型的优点之一是，YOLO 可以利用多种在线数据标记服务进 比利时手机号 行学习。因此，只需 2-3 小时，就可以训练神经网络来搜索某一类别的物体。
公平交通运输
FairMOT 或公平多目标跟踪。这种高性能方法的显著特点是，利用机器学习技术，能够跟踪视频中的多个对象，而不是一个。此项开发由微软专家和华中科技大学的科学家共同完成。
FairMOT 神经网络
该方法采用基于可变形卷积神经网络（DCNv2，Deformable Convolutional Network）的单阶段实现，可以显著提高物体跟踪的速度。为了训练模型，FairMOT 使用了 6 个用于人体检测和检索的公共数据集，分别是 ETH、CityPerson、CalTech、MOT17、CUHK-SYSU。根据测试结果，FairMOT 在以每秒 30 帧的视频流上运行时比竞争模型 TrackRCNN 和 JDE 更快。
媒体管道
绝大多数神经网络只能检测和识别二维物体，即使是视频片段也是如此。也就是说，所揭示内容周围所绘制的框架也将是二维的。但时间要求我们需要一种更精确的空间方法来检测和追踪物体。
为了解决这个问题，Google AI 开发了 MediaPipe Objectron 移动管道，可以对日常物体进行实时 3D 检测。它还可以在二维图像中检测出它正在寻找的东西。 MediaPipe 的 Objectron 使用单阶段模型进行姿势预测。如果我们考虑它的结构，它首先是一个基于MobileNetV2的编解码器。