Hailo8 應用 – YOLO
YOLO：最廣泛使用的物件偵測演算法
YOLO (You Only Look Once) 是目前電腦視覺領域最廣泛使用的物件偵測演算法。從名稱就可以知道它屬於「單階段偵測器（One-Stage Detectors）」。相較於兩階段偵測器（Two-Stage Detectors），單階段偵測器速度較快。
出處: Concept of YOLOv1: The Evolution of Real-Time Object Detection
YOLO 演算法已經發展多個版本。YOLOv1 的設計受到 GoogLeNet 啟發；在 YOLOv4 之前主要基於 Darknet，YOLOv5 以後則改用 PyTorch 為主流實現。PyTorch 與 TensorFlow 是現今主流深度學習框架，因此業界幾乎都使用 YOLOv5 及之後的版本。
另外，從 YOLOv5 開始，根據模型大小提供不同版本，而不需要像 YOLOv4 一樣自行調整模型參數。
出處: https://pytorch.org/hub/ultralytics_yolov5/
SUNIX Hailo-8 AI Accelerator – 絕佳的 YOLO 推論環境
SUNIX Hailo-8 AI Accelerator 為 YOLO 提供強大的推論環境，可支援絕大部分 YOLO 模型，例如 YOLOv5、YOLOv7、YOLOv8。除了 Hailo Model Zoo 提供的 .hef 檔案，也可以使用 Hailo Dataflow Compiler 將其他 Runtime 執行的 YOLO 模型轉換為 .hef 檔案。
使用 SUNIX AIEH1000（單顆 Hailo8）執行 YOLOv5m 時，FPS 高達 241.88 Frames/sec，證明 SUNIX Hailo AI Accelerator 的推論效能不亞於市面主流 GPU。
Hailo8 應用 – YOLO
YOLO：最廣泛使用的物件偵測演算法
YOLO (You Only Look Once) 是目前電腦視覺領域最廣泛使用的物件偵測演算法。從名稱就可以知道它屬於「單階段偵測器（One-Stage Detectors）」。相較於兩階段偵測器（Two-Stage Detectors），單階段偵測器速度較快。
出處: Concept of YOLOv1: The Evolution of Real-Time Object Detection
YOLO 演算法已經發展多個版本。YOLOv1 的設計受到 GoogLeNet 啟發；在 YOLOv4 之前主要基於 Darknet，YOLOv5 以後則改用 PyTorch 為主流實現。PyTorch 與 TensorFlow 是現今主流深度學習框架，因此業界幾乎都使用 YOLOv5 及之後的版本。
另外，從 YOLOv5 開始，根據模型大小提供不同版本，而不需要像 YOLOv4 一樣自行調整模型參數。
出處: https://pytorch.org/hub/ultralytics_yolov5/
SUNIX Hailo-8 AI Accelerator – 絕佳的 YOLO 推論環境
SUNIX Hailo-8 AI Accelerator 為 YOLO 提供強大的推論環境，可支援絕大部分 YOLO 模型，例如 YOLOv5、YOLOv7、YOLOv8。除了 Hailo Model Zoo 提供的 .hef 檔案，也可以使用 Hailo Dataflow Compiler 將其他 Runtime 執行的 YOLO 模型轉換為 .hef 檔案。
使用 SUNIX AIEH1000（單顆 Hailo8）執行 YOLOv5m 時，FPS 高達 241.88 Frames/sec，證明 SUNIX Hailo AI Accelerator 的推論效能不亞於市面主流 GPU。
Hailo8 應用 – YOLO
YOLO：最廣泛使用的物件偵測演算法
YOLO (You Only Look Once) 是目前電腦視覺領域最廣泛使用的物件偵測演算法。從名稱就可以知道它屬於「單階段偵測器（One-Stage Detectors）」。相較於兩階段偵測器（Two-Stage Detectors），單階段偵測器速度較快。
出處: Concept of YOLOv1: The Evolution of Real-Time Object Detection
YOLO 演算法已經發展多個版本。YOLOv1 的設計受到 GoogLeNet 啟發；在 YOLOv4 之前主要基於 Darknet，YOLOv5 以後則改用 PyTorch 為主流實現。PyTorch 與 TensorFlow 是現今主流深度學習框架，因此業界幾乎都使用 YOLOv5 及之後的版本。
另外，從 YOLOv5 開始，根據模型大小提供不同版本，而不需要像 YOLOv4 一樣自行調整模型參數。
出處: https://pytorch.org/hub/ultralytics_yolov5/
SUNIX Hailo-8 AI Accelerator – 絕佳的 YOLO 推論環境
SUNIX Hailo-8 AI Accelerator 為 YOLO 提供強大的推論環境，可支援絕大部分 YOLO 模型，例如 YOLOv5、YOLOv7、YOLOv8。除了 Hailo Model Zoo 提供的 .hef 檔案，也可以使用 Hailo Dataflow Compiler 將其他 Runtime 執行的 YOLO 模型轉換為 .hef 檔案。
使用 SUNIX AIEH1000（單顆 Hailo8）執行 YOLOv5m 時，FPS 高達 241.88 Frames/sec，證明 SUNIX Hailo AI Accelerator 的推論效能不亞於市面主流 GPU。
Hailo8 應用 – YOLO
YOLO：最廣泛使用的物件偵測演算法
YOLO (You Only Look Once) 是目前電腦視覺領域最廣泛使用的物件偵測演算法。從名稱就可以知道它屬於「單階段偵測器（One-Stage Detectors）」。相較於兩階段偵測器（Two-Stage Detectors），單階段偵測器速度較快。
出處: Concept of YOLOv1: The Evolution of Real-Time Object Detection
YOLO 演算法已經發展多個版本。YOLOv1 的設計受到 GoogLeNet 啟發；在 YOLOv4 之前主要基於 Darknet，YOLOv5 以後則改用 PyTorch 為主流實現。PyTorch 與 TensorFlow 是現今主流深度學習框架，因此業界幾乎都使用 YOLOv5 及之後的版本。
另外，從 YOLOv5 開始，根據模型大小提供不同版本，而不需要像 YOLOv4 一樣自行調整模型參數。
出處: https://pytorch.org/hub/ultralytics_yolov5/
SUNIX Hailo-8 AI Accelerator – 絕佳的 YOLO 推論環境
SUNIX Hailo-8 AI Accelerator 為 YOLO 提供強大的推論環境，可支援絕大部分 YOLO 模型，例如 YOLOv5、YOLOv7、YOLOv8。除了 Hailo Model Zoo 提供的 .hef 檔案，也可以使用 Hailo Dataflow Compiler 將其他 Runtime 執行的 YOLO 模型轉換為 .hef 檔案。
使用 SUNIX AIEH1000（單顆 Hailo8）執行 YOLOv5m 時，FPS 高達 241.88 Frames/sec，證明 SUNIX Hailo AI Accelerator 的推論效能不亞於市面主流 GPU。
