1天津做事时间师范大学电子工程学院パナソニック 分電盤 リミッタースペースなし 露出・半埋込両用形，天津
2天津云智通科技有限公司，天津
收稿日历：2023年10月20日；托福日历：2023年11月17日；发布日历：2023年11月24日
选录
见解检测是自动驾驶汽车环境感知的病笃内容。YOLO系列算法在检测性能领域进展隆起，对见解检测的盘问有病笃酷爱酷爱。YOLO算法概况及时监测自动驾驶车辆中的见解，包括车辆、行东说念主、交通符号、灯光和车说念线等。同期，自动驾驶汽车的发展关于提高交通安全、节能减排以及减少交通事故有着病笃酷爱酷爱。在自动驾驶中，见解检测是一项基础且要害的时间，需要及时准确地检测和识别说念路上的各样见解。本文最初先容了见解检测中常用的评价目的；其次，总结了单阶段和双阶段见解检测算法的念念想偏执优过失；综述了单阶段见解检测算法-YOLO算法在自动驾驶汽车检测领域的应用，从交通符号、交通灯、行东说念主识别和交通车辆四个方面分开讲述和总结盘问近况以及应用情况；临了预计了现阶段见解检测存在的问题和畴昔发展标的，以及YOLO算法不错在自动驾驶汽车检测方面作念出哪些更具有挑战性的盘问。
要害词
见解检测，YOLO算法，交通实况，自动驾驶
Research Review of Autonomous Vehicle Detection Based on YOLO Algorithm
Shuyun Wang1， Xuewen Ding1，2*， Liang Bai1， Mingkun Shen1， Zhen Wang1
1School of Electronic Engineering， Tianjin University of Technology and Education， Tianjin
2Tianjin Yunzhitong Technology Co.， Ltd.， Tianjin
Received: Oct. 20th， 2023; accepted: Nov. 17th， 2023; published: Nov. 24th， 2023
ABSTRACT
Object detection is an important part of the environmental perception of autonomous vehicles. The YOLO series algorithms have outstanding performance in the field of detection performance and are of great significance to the research of object detection. The YOLO algorithm is able to monitor targets in autonomous vehicles in real time， including vehicles， pedestrians， traffic signs， lights， and lane lines. At the same time， the development of autonomous vehicles is of great significance to improve traffic safety， save energy and reduce emissions， and reduce traffic accidents. In autonomous driving， object detection is a fundamental and critical technology that requires real-time accurate detection and identification of various types of objects on the road. This paper first introduces the commonly used evaluation indicators in object detection. Secondly， the ideas of single-stage and two-stage object detection algorithms and their advantages and disadvantages are summarized. The application of single-stage object detection algorithm-YOLO algorithm in the field of autonomous vehicle detection is reviewed， and the research status and application status are summarized from four aspects: traffic signs， traffic lights， pedestrian recognition and traffic vehicles. Finally， the current problems and future development directions of object detection are prospected， and the more challenging research that YOLO algorithm can make in autonomous vehicle detection.
Keywords:Target Detection， YOLO Algorithm， The Traffic Situation， Automatic Driving
Copyright © 2023 by author(s) and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).
1. 小序
跟着我国经济分娩总值的普及，东说念主均GDP也得到权贵提高，一户一车仍是成为普遍征象，据公安部统计，2021年我国汽车保有量达3.02亿辆 [1] 。然而汽车使用数目上涨的同期也激励了更多的交通事故，据估量，90%的车祸是由东说念主为无理形成的 [2] 。濒临复杂多变的说念路现象，传统汽车驾驶需要驾驶员时刻保合手警惕，不雅察到幻化莫测的周围环境，针对环境变化判断并贪图出稳妥路子且作念出相应的驾驶操作。然而疲困驾驶、暗澹天气、陡峻陡立的山路等稀奇交通情况齐会影响驾驶员的判断，这就为事故和危急的发生提供了可能性。比拟之下，自动驾驶汽车的上风就了然于目了，与东说念主为产生的无理不同，它不错进行自主判断，而且留心力会永劫辰保合手较高的水平。同期，自动驾驶汽车能更好地节能减排、减少稠浊 [3] ，应用前程一派光明。自动驾驶汽车在濒临复杂的交通现象时，需要对交通车辆、途经的行东说念主、交通符号、交通讯号灯以及路面车说念象征等作念出准确的判断。保证汽车安全自动驾驶的要害是对见解的精确检测和识别，从而作念出最优判断。本文将伸开讲述YOLO算法在自动驾驶领域的应用，并对若何进一步普及自动驾驶汽车检测的MAP和FPS进行总结与预计。
2. 评价目的
学习见解检测算法，最初要知说念有哪些评价目的。最主要的权衡目的有精确度、调回率、AP、MAP、交并等到FPS，其中，前4个用来权衡分类精度，交并比(intersection over union， IoU)用来量化信得过和预测畛域框之间的交叠率干系，临了，FPS (frames per second)用来权衡启动速率。
2.1. 分类精度的权衡目的
见解预测有正例和负例两种，预测情况分为真阳性(True Positives， TP)、假阳性(False Positives， FP)、假阴性(False Negatives，FN)和真阴性(True Positives， TN)。
1) 精确度也称为阳性预测值，是指全部被检测出的样本中是正确样本的概率。
V precision = TP TP + FP
2) 准确度是指全部预测中预测正确的概率。
A ccuracy = TP + TN TP + FP + TN + FN
3) 调回率是指全部正样本中被正确预测出来的概率。
V Recall = TP TP + FN 往往情况下，精确度与调回率呈负计算。PR弧线是通过精确度和调回率筹备画图的，其中x轴暗意调回率，y轴暗意精确度，不错直不雅响应算法性能，其梦想点是接近(1.0， 1.0)。
4) AP由P-R弧线和x、y轴围成的面积组成パナソニック 分電盤 リミッタースペースなし 露出・半埋込両用形，面积与检测效劳成正比。它用来暗意调回率下检测的平均正确性。
5) MAP是通盘AP的平均值，对数据汇聚通盘的对象类别进行筹备，数值越高，效劳越好。
V mAP = 1 N ∑ i = 1 N AP i 。交并比用来权衡信得过和预测畛域框之间的交叠率干系，是信得过框与预测框的错乱对并集作念比值得到的。预测效劳最好时该数值达到1。 V loU pred truth = truth ∩ pred truth ∪ pred 。
2.2. 启动速率的权衡目的
FPS用来权衡启动速率，即每秒不错处理些许张图像，图像张数越多标明速率越快，效劳越好。
3. 见解检测算法
见解检测的发展资格了两个阶段：“传统见解检测阶段(2014年前)”和“基于深度学习的检测阶段(2014年后)” [4] 。基于深度学习的见解检测要道分为两类：两阶段检测要道和单阶段检测要道 [5] 。
3.1. 两阶段见解检测算法
2013年Sermanet等东说念主 [6] 建议了OverFeat算法。OverFeat算法在那时颠倒出名，它基于AlexNet [7] 达成了识别、定位、检测共用归并个收集框架。使用了卷积神经收集的要道，利用特征索求，分类索求到的特征再次应用到定位检测中，该算法为深度学习奠定了基础。然而有一些瑕玷，如：濒临小见解检测实验时，精确度不高，而且很容易出错。接下来的一年降生的R-CNN使用“Region Proposal (候选框) + CNN”索求的分类收集组合神色惩办了前边存在的问题。两阶段见解检测算法应时而生。该见解检测算法将见解检测分为候选区域的中式和见解的分类识别两部分。是以它的优点也就了然于目了，能达成精确的定位和检测，关联词，也正因为分为了两阶段，是以检测速率较慢。底下先容R-CNN和Faster R-CNN两种两阶段见解检测算法。
3.1.1. R-CNN系列基础框架的发展史
Girshick等东说念主在2014年建议R-CNN [8] 算法，该算法为背面的盘问奠定了基础。R-CNN的建议 [9] 比拟于传统的要道具有一定的上风，主要表当前它接受了采取性搜索算法索求候选区域，极地面减小了候选区域的数目，裁汰了收集筹备量。而且，大幅度的提高了见解检测的准确度和速率。R-CNN见解检测算法不错分红四步：第一步，利用采取性搜索算法SS (Selective Search) [10] 从图像中索求约2100个候选框。第二步，筹备卷积特征，索求各候选框的函数向量。第三步，分类候选框，用AlexNet将各个函数向量发送给各个向量机(SVM)，判断是否属于此类。第四步，使用非极大值禁绝算法并进行畛域框总结来得到候选的最好框。该算法灵验的提高了精确度，但R-CNN也有一定弱势，由于它需要对2000个候选框进行特征索求，需要占用多数的内存空间，索求特征时会花消更多的时辰，而且，由于它是分两个阶段进行见解检测，每个阶段逐个老师也会延长老师时辰，此外，索求特征时会进行多数的调换筹备，这些齐会导致出现检测速率慢的问题。针对此问题，He等东说念主在2015年建议了SPP-Net [11] 算法，普及了检测速率。R-CNN收集结构图及举座历程图永别如图1、图2所示。
图1. R-CNN收集结构图
图2. R-CNN举座历程图
3.1.2. Faster R-CNN
继2014年Girshick等东说念主建议R-CNN之后，Ross Girshick在第二年推出了Fast R-CNN，这一算法比拟于之前的R-CNN，它的老师时辰大幅度减少，速率显著普及，从八十四小时减少为九点五小时，同期测试时辰也裁汰了许多，而瞄准确率险些莫得影响。由此可见，Faster R-CNN结构更小巧，历程更紧密，速率更快。Faster R-CNN莫得使用传统的检测要道，而是接受RPN平直生成检测框的神色。是以，检测速率得到灵验普及，这也成为它的权贵上风。此外，Faster R-CNN接受的吊唁极大值禁绝要道，这种要道不错优化候选框。而且比拟之前的算法，该算法的最大的区别是将候选区域和见解分类总结任务纠合在通盘进行，达成了端到端的联结，然而Faster R-CNN在小见解检测方面精度很低，针对自动驾驶汽车检测方面也存在严重漏检征象。
李学军 [12] 等对Faster R-CNN进行了更正，将scSE留心力永别镶嵌到FPN收集、RPN收集以及ROI head收集合，接受限度变量法，骨干收集均使用Mobilenet V2 + FPN，在推行后的TT100K数据集上探索镶嵌位置影响。结合上述更正要道组成KB-Faster-RCNN，其map达到了91.8%，比拟传统模子提高了21.3%。
3.2. 单阶段见解检测算法
3.2.1. YOLO系列见解检测算法
伴跟着东说念主工智能的普及 [13] ，见解检测也越来越火热，当下对见解检测在精度等方面的条目也越来越高，传统的见解检测要道仍是不可昂扬工业需乞降本色应用，进而降生了新的见解检测算法-YOLO，YOLO从YOLOv1系列仍是逐步迭代到当前最新的YOLOv8。本文将详实讲述YOLOv3、YOLOv7和YOLOv8。YOLO系列的发展史如图3所示。
图3. YOLO系列发展史
YOLOv1算法是典型的单阶段见解检测算法 [14] 。它是单阶段检测算法的来源，这一系列算法相较于之前的双阶段见解检测算法速率有了很大普及，然而在检测小见解和密集见解时精度会着落许多。
YOLOv3 [15] 是由Joseph Redmon、Ali Farhadi二东说念主建议，比拟于YOLO之前的系列 [16] ，YOLOv3模子更复杂，然而不错通过对模子的结构和大小进行更正，从而达到普及算法精度和速率的目的。
此外，YOLOv3在小见解检测方面也有更正，该模子 [17] 主要分为Darknet-53卷积神经收集特征索乞降特征图预测识别两大部分，前者用来索求图像中所包含的多类特征，概况给特征通说念升维，得到更多的图像信息，并传输到不同大小的特征图进行预测。Darknet-53用改变卷积核步长的神色限度张量的维度，逐步达到尺寸降维、通说念升维的目的。YOLOv3算法模子领有接近五十的图像传速帧数和92.2%的map。Vehicle-YOLO [18] 领有五种不同规格的特征图共同进行见解预测，而且图像规格较之前加多许多，定位也更准确，检测的平均精度高达96.6%，对大见解的检测则有更高的定位精度。裁汰了误判率。然而YOLOv3也存在不及之处，收集结构颠倒复杂且体系领域宽绰，因此，对开辟的条目较高。YOLOv4 [19] 沿用了YOLOv3的head部分，独一的区别等于YOLOv4接受了经过PANet收集加强处理后的特征信息来进行驱散预测，除此以外与YOLOv3是莫得区别的。YOLOv4降生的同庚建议了YOLOv5，YOLOv5与当前流行的YOLOv8接近，是以，在这里不伸开讲述YOLOv5。
YOLOv7算法降生于2022年7月，YOLOv7 [20] 收集分为以下四部分：输入、骨干、颈部和检测头，举座历程：第一，先对输入图像进行图像增强处理，逶迤图像大小，处理好图像后在进行特征索求。第二，对上述索求到的特征头部和会，得到不同尺寸的特征。第三，输出过程，将和会的驱散传送至检测头，再进行输出。YOLOv7的骨干收集包含着许多模块，如ELAN模块，这些齐提高了收集的准确率。YOLOV7的优点有：1) 模子重参数化。2) 标签分派计谋；YOLOV7的分派计谋接受标签式，概述前边YOLOV5和YOLOX的一些匹配计谋的一种新的分派计谋。3) ELAN高效收集架构；YOLOV7的最新收集架构以高效为主。4) 带援助头的老师；援助头老师不仅不会延误推理过程需要破耗的时辰，而且概况提高精度。此外，YOLOV7引入了重参数化卷积、模子缩放等要道，不错优化见解特征的抒发才智，其结构主要分为Input，Backbone，Neck，Head四个部分，YOLOV7收集结构图如图4所示。
图4. YOLOv7 收集结构图
胡淼 [21] 等对KITTI数据集进行检测，建议使用EIOU耗费替换CIOU耗费使模子实验检测精度普及0.4%。此外，还使用SPPFCSPC模块替换成SPPCSPC模块使模子实验检测精度普及2.2%。加多了BRA留心力机制的消融实验。概述了通盘更正要道的优点，实验检测精度达到对比驱散中的最高，实验检测精度驱散为94.7%，比拟于原始模子YOLOv7算法普及3.1%。
YOLOv8算法的中枢不绝了YOLOv5，也对应了 [22] N、S、M、L、X等不同标准模子，不错应用到各个复杂场景中，且在精度上较之前的算法有了大幅度普及，而且装配愈加便捷，老师也更通顺。比拟于前边的YOLOv7和YOLOv5，YOLOv8有更小的权重文献，只是唯有6 MB，是以，不错颠倒便捷的在镶嵌式开辟中使用，也能更快更好的昂扬及时检测需求。它的性格和变调不错归结为如下：提供了一个全新的SOTA模子，包括P5640和P6 1280分辨率的见解检测收集和基于YOLACT的实例分割模子。其中，缩放所有参考了YOLOv5提供了不同标准模子。骨干收集和Neck参考了YOLOv7 ELAN的念念想。YOLOv8算法更换成梯度流更丰富的C2f结构，逶迤了通说念数，模子的性能灵验普及。其中，变调最大的部分是Head部分，换成了解耦头的结构及Anchor-Free，分类与检测头分开，接受TaskAlignedAssigner正样分内派计谋的Loss筹备，引入YOLOX中的临了10epoch关闭Mosiac增强的操作，普及了精度。举座更偏向于工程试验。YOLOV8n模子结构图如图5所示。
图5. YOLOv8n 模子结构图
熊恩杰 [23] 等建议Ghost-YOLOv8算法，对TT100K数据集进行了见解检测。在他们的实验中添加了小见解检测层的模子比拟原始的YOLOv8n模子，Precision、Recall、mAP@0.5永别提高了7.4%、2.2%；添加了GAM留心力机制和轻量化模子。
3.2.2. SSD算法
Wei Liu等在2016年建议了SSD这种见解检测算法，用SSD输入一张图像，不错达到输出多个位置信息和类别信息的效劳，该待检测图像到达SSD后，收集合输出一个多维矩阵，对这个多维的矩阵进行处理就能得到标签信息及位置信息等，一般使用非极大值禁绝处理的要道对矩阵进行处理。
4. YOLO算法在自动驾驶中的应用
基于深度学习的YOLO系列算法越来越热点，在多个领域中得到昔日应用，本文主要讲述在自动驾驶领域的应用。在自动驾驶的场景中，需要对交通情况，举例：交通符号、交通灯、行东说念主识别、交通车辆等方面进行检测，此时YOLO算法的上风了然于目，YOLO算法具有更快的速率和更高的精确度等特质，对其更正不错更好的应用于自动驾驶的复杂多变的情景中。
4.1. 交通符号的检测
在日常驾驶的交通情景中，交通符号的识别与检测准确度对驾驶员及自动驾驶有着至关病笃的作用。
朱宁可等 [24] 好处中国多类交通符号数据集CMTSD，建议更正Yolov5算法。通过将Mobilenetv3中的倒残差结构的升维度去除裁汰参数目，再使用输入输出归并通说念分离卷积去索求特征，替换轻量级上采样通用算子，裁汰信息耗费，临了和会留心力，最终检测精度普及了2.58%，检测速率普及7.41帧。
刘海斌等 [25] 建议了一种更正要道，使用YOLOV5-S并更正，对及时交通符号进行检测，通过构建见解长范围来拿获位置，是算法聚焦于要点特征，在收集合和会轻量级卷积时间GSConv，裁汰模子的筹备量。加多新的小见解检测层，普及小尺寸符号检测效劳。最终mAP@0.5普及到88.1%，检测速率达到83FPS。
石镇岳等 [26] 建议一种基于留心力机制的交通符号检测模子YOLOv7-PC。通过K-means++聚类算法对交通符号的整个数据集进行聚类，得到适用于检测交通符号的锚框;其次引入坐标留心力机制；临了引入虚浮空间金字塔化，既保证了小见解分辨率，又进一步扩大卷积的感受野。最终达到mAP普及5.22%、调回率提高9.01%的效劳。
在使用YOLO算法对交通符号进行见解检测的过程中，更正的要道往往有许多，最为常见的有底下这几种神色：1) 扩展更新或者我方制作数据集。2) 讹诈倒残差结构的升维度去除裁汰参数目，文献 [24] 将Mobilenetv3中的倒残差结构的升维度去除裁汰参数目。3) 添加留心力机制，文献 [26] 引入坐标留心力机制。4) 添加常见的模块，如：SPP模块，或者添加池化层等，结合空间金字塔池化，在最大池化层中得到最优特征。
4.2. 交通灯的检测
交通灯动作整个驾驶过程中需要留心的要害信息，对其进行精确的见解检测显得尤为病笃。
钱伍等 [27] 建议了一种更正YOLOV5的交通灯检测要道，讹诈复合数据对交通灯输入模子进行增强操作，假想多标准代替固定标准老师，成就多标准检测层。此外，讹诈远跳通顺传送信息，该要道对小见解检测卓绝友好，最终更正的mAP加多了6.5%。
李江天等 [28] 对大型车辆保密驾驶员视野的问题进行了盘问，构建了一种分享系统，该系统是基于YOLO创建，用于及时监测路口交通灯信息车辆。在基于YOLO V3的交通灯识别模子的基础上又开发了基于YOLO Lite的轻量化模子，该模子不错较通顺地启动于CPUi5-750之上，并讲解了决策延迟效劳较好。
孙迎春等 [29] 作念出了一种基于YOLOv3的交通灯检测，概况惩办该算法在检测时漏检的问题，讹诈了K-means算法对数据集进行聚类处理，简化了YOLOv3的收集结构，惩办了调回率低的问题，临了，在耗费函数中，利用高斯散播性格评估畛域框的准确性，更正后的YOLOv3检测驱散的fps可达30 frame/s，精确度也普及了9%。
丝袜英语4.3. 行东说念主识别的检测
在自动驾驶的盘问领域中，行东说念主识别检测亦然一项颠倒病笃的盘问任务。行东说念主检测主若是判断是否有行东说念主存在并盘问关于行东说念主小尺寸和保密的问题。
Xu等 [30] 替换了YOLOv5中的C3模块，添加了Grey-C3模块，而且添加了新的探伤头，相较于YOLOv5s模子检测行东说念主的准确率加多了2.6%。
Hsu等 [31] 建议比例和标准感应的YOLO算法，惩办了行东说念主所占比例小，尺寸小的问题，此外还引入了ratio-aware留心力机制，精简了收集结构，引入SPP模块等进行多标准特征和会。惩办了原模子保密行东说念主导致检测准确率低的问题。
Li等 [32] 建议一种讹诈轻量级特征索求收集对YOLOv7算法进行更正的要道，甩掉原有的YOLOv7骨干部分的收集，挑选出MobileNet这种收集结构动作骨干，并假想高分辨率特征金字塔结构和基于留心力机制的检测头，其mAP达到89.75%，比原YOLOv7算法提高了9.5%。
刘丽等 [33] 也引入SPP收集增强多标准特征和会，然而她是基于YOLOv3收集结构去更正的，更正后的结构愈加肤浅，对行东说念主检测的精度更高。
Li等 [34] 假想了一种空间金字塔卷积洗牌模块，不错索求被保密物体可见像素中的密致信息带有该模块的YOLO检测器在保密行东说念主时检测的准确率高达94.11%。
4.4. 交通车辆的检测
跟着交通器具越来越各样化，交通压力日新月异，对不同的交通器具行驶的说念路进行了驱散，分为了无邪车和非无邪车说念路，这就需要咱们对车辆类型作念出检测。
周勇等 [35] 以YOLOv5见解检测器为依托，对说念路交通场景下的车辆进行见解检测达成车辆识别，同期利用DeepSORT见解追踪算法对检测到的见解车辆进行追踪，通过特征识别收集达成追踪见解的ID跟班，以驻防调换报警。临了，在高速公路的信得过视频中进行了算法测试，识别准确率可达到78.4%。
杨志军等 [36] 建议更正型YOLOv4-Tiny交通车辆图像及时检测模子。最初更正模子CSPResNet和空间金字塔池化(Spatial Pyramid Pooling， SPP)，减少模子的筹备量；其次更正特征金字塔收集(Feature Pyramid Network， FPN)及使用池化特征增强要道，加多极少筹备量，获取模子的多标准特征图普及精度。最终，模子mAP普及了4.67%，检测速率普及了2.5FPS，模子大小减少了52.74%。
王承梅等 [37] 建议一种基于YOLOv5算法的轻量化车辆视觉检测要道，可用于边际筹备平台的构建。算法方面添加卷积块留心力机制模块，融入到骨干收集结构中，提高模子特征索求才智，灵验克服不停慢、迭代次数多的问题。临了，通过公开数据集进行对比实验，考证了假想要道在要害目的方面有所普及，并通过搭载边际筹备平台完成在自建数据集实拍说念路场景的灵验性测试。
叶佳林等 [38] 建议一种基于YOLOv3的非无邪车漏检的盘问，他创设了一种特征和会的稀奇结构，而且添加了GIOU耗费函数，最终，惩办了非无邪车漏检的问题，提高了检测精度及准确率。
Zhou等 [39] 建议一种基于YOLOv2算法的车辆见解检测要道，讹诈了深度和会的神色对车辆进行识别。其中，是将录像机拍摄到的信息与毫米波雷达得到的信息进行深度和会的。最终，普及了车辆识别的准确率。
Takahashi等 [40] 作念出了一种轻量级见解检测器，是基于YOLOv3进行更正的，对YOLOv3的收集结构进行修改，从2D扩展到3D，此外，在深度标的也有输出信息，不错检测到被保密见解，普及了检测精度。
5. 总结与预计
在自动驾驶领域最昔日应用的算法是YOLO算法，对YOLO算法的更正齐是接受加多留心力机制、修改收集结构参数、假想模块、讹诈耗费函数及特征增强等要道。其实YOLO算法不错与其它算法相结合使用如Transformer算法；或者使用其他时间如领域自顺应、强化学习等。同期，YOLO等见解检测算法在小物体、保密、及时性等方面还有待提高。在辘集交通符号时存在数据辘集不够明晰，标注有颓残和遗漏的问题，关于三种交通灯中的某一种数据集辘集样本过小，影响了检测的准确度。对车辆和行东说念主等的检测，更正要道单一，仅接受了变调收集结构和耗费函数的要道。天然背面也尝试了许多要道更正，但仍存在一定的局限。同期，现阶段YOLO系列的算法合手续在更新，当前有越来越多的新的版块，需要进一步从不同角度讹诈YOLO算法对自动驾驶车辆进行盘问。建议实用性高的 [41] 量化目的，对自动驾驶的数据集进行优化，并加强老师，使其能更好的师法驾驶员驾驶场景。此外，不错使用弱监督见解检测 [42] 。当前的检测算法大部分是需要进行多数的数据集标注的，数据集的成就会花消许多时辰和东说念主工资本，因此，不错讹诈弱监督见解检测，或者是无监督和搀杂监督见解检测等要道去进行检测，在使用极少及多数未标注的数据进行检测时，见解检测的盘问将更具有挑战性。
形态基金
天津市科委科技接头形态(20YDTPJC01110)和天津市大学生转换创业接头老师形态(202210066064)。
著作援用
王树云，丁学文，白 亮，声名坤，王 震. 基于YOLO算法的自动驾驶汽车检测盘问综述Research Review of Autonomous Vehicle Detection Based on YOLO Algorithm[J]. 筹备机科学与应用， 2023， 13(11): 2125-2135. https://doi.org/10.12677/CSA.2023.1311212
参考文献パナソニック 分電盤 リミッタースペースなし 露出・半埋込両用形