电路板漏焊检测 - EasyDL零门槛AI开发平台 | 百度智能云文档
标注出图片中需要检测缺陷并通过添加标签对该类型缺陷进行定义。 模型训练 数据准备工作完成后，选择物体检测任务类型，点击创建模型，根据您的实际需求对模型进行命名。 由于流水线上的缺陷检测对检测效率有一定要求，同时需要将AI检测模型部署到智能分拣器的控制器（IPC）上进行使用，创建训练时部署方式、部署设备和算法类型就可分别选择「EasyEdge本地部署」、「通用小型设备」和「高性能」。
商品检测API调用方法 - EasyDL零门槛AI开发平台 | 百度智能云文档
商品基本信息识别 ++top 否 int 检测到的目标主体区域到图片上边界的像素距离 商品基本信息识别 ++width 否 int 检测到的目标主体区域的像素宽度 商品基本信息识别 ++height 否 int 检测到的目标主体区域的像素高度 商品基本信息识别 建议翻拍判定方法 设定一个判定为翻拍图片的阈值，即如果recapture的score大于这个值，则认为这张图片是翻拍。
007-异常检测算法 - BML 全功能AI开发平台 | 百度智能云文档
无 使用示例 如下图所示，构建算子结构，选择特征列，配置检测条件参数。
施工人员安全装备检测 - EasyDL零门槛AI开发平台 | 百度智能云文档
施工人员安全装备检测 项目说明 业务背景 在能源巡检领域，一些如输电线路检修、施工现场、石化厂区等高危区域，由于部分作业人员安全意识淡薄、安全技能缺乏，无知、图省事、从众等心理导致”三违”行为频发。 业务难点 传统的监控方案需监察人员24小时被动式值守观察，难免遗漏，只能用于事后回放、时候追责。 解决思路 以人工智能技术为手段，精准把握 “高精度质量检测，大范围安全管理”的行业需求。
物体检测模型效果评估 - EasyDL零门槛AI开发平台 | 百度智能云文档
评估指标说明如下 F1-score： 对某类别而言为精确率和召回率的调和平均数，评估报告中指各类别F1-score的平均数 mAP： mAP(mean average precision)是物体检测(Object Detection)算法中衡量算法效果的指标。
物体检测服务器端SDK集成文档-Linux-Python - EasyDL零门槛AI开发平台 | 百度智能云文档
mask 关于矩形坐标 x1 * 图片宽度 = 检测框的左上角的横坐标 y1 * 图片高度 = 检测框的左上角的纵坐标 x2 * 图片宽度 = 检测框的右下角的横坐标 y2 * 图片高度 = 检测框的右下角的纵坐标 可以参考 demo 文件中使用 opencv 绘制矩形的逻辑。
物体检测私有API集成文档 - BML 全功能AI开发平台 | 百度智能云文档
top 否 number 检测到的目标主体区域到图片上边界的距离 ++width 否 number 检测到的目标主体区域的宽度 ++height 否 number 检测到的目标主体区域的高度 错误码 若请求错误，服务器将返回的JSON文本包含以下参数： error_code： 错误码。
物体检测LinuxSDK集成文档-Atlas - EasyDL零门槛AI开发平台 | 百度智能云文档
物体检测LinuxSDK集成文档-Atlas 简介 本文档介绍EasyEdge/EasyDL的Linux Atlas SDK的使用方法。
物体检测EdgeBoard(VMX)专用SDK集成文档 - EasyDL零门槛AI开发平台 | 百度智能云文档
EdgePredictorConfig 的具体使用方法可以参考开发工具包中的demo工程。 具体支持的运行参数可以参考开发工具包中的头文件。
物体检测Jetson专用SDK集成文档 - EasyDL零门槛AI开发平台 | 百度智能云文档
模型支持： EasyDL图像：图像分类高精度，图像分类高性能，物体检测高精度，物体检测均衡，物体检测高性能，目标跟踪单标签模型。
