YOLO
文章平均质量分 93
叶绿体不忘呼吸
不求苍天俯就我的美意,但求永远肆意挥洒!https://mbd.pub/o/csds
展开
-
基于YOLOv8\YOLOv5+PySide6的条形码生产保质期识别检测系统
在条形码生产保质期检测识别研究中,一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含2155张不同条形码生产保质期图片的数据集,旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集,分别为1873张、182张和100张,确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理,包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素,并应用自适应均衡化技术增强对比度,以突出摔倒特征,优化模型学习效果。原创 2024-06-23 17:46:28 · 818 阅读 · 0 评论 -
基于YOLOv8\YOLOv5+PySide6的车型识别检测系统
在车型识别陷检测研究中,一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含1599张不同车型图片的数据集,旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集,分别为1315张、142张和142张,确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理,包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素,并应用自适应均衡化技术增强对比度,以突出摔倒特征,优化模型学习效果。原创 2024-06-19 21:07:34 · 1125 阅读 · 0 评论 -
基于YOLOv8\YOLOv5+PySide6的PCB印制电路板缺陷检测异常识别系统
在PCB印制板缺陷检测研究中,一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含766张PCB缺陷图片的数据集,旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集,分别为620张、73张和73张,确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理,包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素,并应用自适应均衡化技术增强对比度,以突出摔倒特征,优化模型学习效果。原创 2024-06-16 17:57:01 · 825 阅读 · 0 评论 -
基于YOLOv8\YOLOv5+PySide6的火灾火焰检测识别系统
在火灾火焰检测研究中,一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含1428张骨折图片的数据集,旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集,分别为1667张、194张和198张,确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理,包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素,并应用自适应均衡化技术增强对比度,以突出摔倒特征,优化模型学习效果。该数据集有1个类“fire”,即为火焰。原创 2024-06-16 11:03:26 · 1121 阅读 · 0 评论 -
基于YOLOv8\YOLOv5+PySide6的摔倒检测跌倒识别系统
在摔倒跌倒检测研究中,一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含1428张骨折图片的数据集,旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集,分别为1170张、118张和140张,确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理,包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素,并应用自适应均衡化技术增强对比度,以突出摔倒特征,优化模型学习效果。该数据集有1个类“fail”,即为摔倒跌倒。原创 2024-06-12 21:56:55 · 1048 阅读 · 0 评论 -
基于深度学习YOLOv8\YOLOv5的骨科骨折诊断检测系统设计
在骨折诊断研究中,一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含4083张骨折图片的数据集,旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集,分别为3242张、423张和418张,确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理,包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素,并应用自适应均衡化技术增强对比度,以突出骨折特征,优化模型学习效果。该数据集有1个类“fractured”,即为骨折骨裂等骨损伤。原创 2024-06-05 20:34:55 · 1709 阅读 · 1 评论 -
基于深度学习YOLOv8\YOLOv5的花卉识别鲜花识别检测分类系统设计
在花卉识别研究中,一个精心设计的数据集是训练精确AI模型的基石。我们创建了一个包含10513张花卉图片的数据集,旨在推动该领域的技术发展。该数据集分为训练集、验证集和测试集,分别为9131张、919张和463张,确保模型在多样化数据上的训练和独立数据上的验证。每张图片都经过了严格的预处理,包括方向校正、去除EXIF信息、统一分辨率调整至640x640像素,并应用自适应均衡化技术增强对比度,以突出花卉特征,优化模型学习效果。原创 2024-06-01 21:37:46 · 2041 阅读 · 1 评论 -
基于深度学习YOLOv8+PyQt5的水底海底垃圾生物探测器检测识别系统(源码+数据集+配置说明)
在海洋环境保护和水下生态研究领域,及时发现并处理水底生物垃圾是维护水下生态环境健康的重要任务。然而,由于水下环境的复杂性和多变性,传统的人工监测方法既耗时又效率低下。为了提高水下生物垃圾监测的效率和准确性,本文提出了一种基于YOLOv8(You Only Look Once version 8)和PyQt5的水底生物垃圾探测器检测系统。该系统结合了深度学习技术和图形用户界面框架,旨在实时监测并识别水下环境中的生物垃圾。原创 2024-03-23 22:28:28 · 2037 阅读 · 3 评论 -
基于深度学习YOLOv8+Pyqt5的工地安全帽头盔佩戴检测识别系统(源码+跑通说明文件)
未来的工作将致力于进一步提升模型的鲁棒性,并探索更加高效的模型部署方案,以适应更广泛的工地环境。平均精度(Average Precision, AP):这个指标衡量的是,在不同的置信度阈值下,精确度和召回率的平均表现。如果一个系统需要检测多种类型的对象,比如猫、狗、鸟等,mAP就是这些类别AP值的平均,它提供了一个整体的性能评价。YOLO系列的一个优点就是它的速度非常快,可以在视频流中实时检测对象,而不会有明显的延迟。继续果园的例子,召回率就是所有真实苹果中,你找到的苹果所占的比例。原创 2024-03-18 21:36:39 · 2606 阅读 · 10 评论 -
基于深度学习YOLOv8+Pyqt5的抽烟吸烟检测识别系统(源码+跑通说明文件)
平均精度(Average Precision, AP):这个指标衡量的是,在不同的置信度阈值下,精确度和召回率的平均表现。如果一个系统需要检测多种类型的对象,比如猫、狗、鸟等,mAP就是这些类别AP值的平均,它提供了一个整体的性能评价。精确度(Precision):这个指标告诉你,系统检测到的对象中,有多少是真正存在的。YOLO系列的一个优点就是它的速度非常快,可以在视频流中实时检测对象,而不会有明显的延迟。召回率(Recall):这个指标衡量的是,所有真实存在的对象中,有多少被系统正确检测到了。原创 2024-03-10 18:16:01 · 1591 阅读 · 2 评论 -
基于YOLOv8深度学习+Pyqt5的电动车头盔摩托车头盔佩戴检测系统(源码+跑通说明文件)
该系统利用深度学习技术,通过训练YOLOv8模型来识别电动车骑行者是否佩戴头盔,并在检测到未佩戴头盔的情况下发出警报。因此,开发一种能够实时监测头盔佩戴情况的系统,对于提高骑行者的安全意识和减少交通事故具有重要作用。本文提出的基于YOLOv8的电动车头盔佩戴检测系统,能够有效地提高电动车骑行者的安全意识。YOLOv8是YOLO系列目标检测模型的最新版本,它在前代模型的基础上进行了优化,提高了检测速度和准确性。在不同的场景和光照条件下,模型均能稳定地识别出佩戴和未佩戴头盔的骑行者。wx供重浩:创享日记。原创 2024-02-25 20:54:38 · 4993 阅读 · 34 评论 -
基于YOLOv5+PySide6的火灾火情火焰检测系统设计深度学习(源码+跑通说明文件)
为了提高火灾预警的准确性和及时性,本文提出了一种基于YOLOv5(You Only Look Once version 5)的火灾火情检测系统。本文提出的基于YOLOv5的火灾火情检测系统,旨在通过计算机视觉技术提高火灾检测的效率和准确性。为了训练YOLOv5模型,我们收集了大量的火灾图像数据,并对其进行了标注。本文提出的基于YOLOv5的火灾火情检测系统,为火灾预警提供了一种新的技术手段。(2)数据标注:利用labelimg标注工具对数据集中的火灾火情火焰进行标注,并进行格式转换和划分,得到训练数据集。原创 2024-02-25 14:18:44 · 1254 阅读 · 6 评论 -
基于深度学习YOLOv5电动车头盔佩戴检测设计毕业设计
本设计最终实现了基于YOLOv5的电动车头盔佩戴检测算法,该算法能够在实时性和准确性方面达到较高的水平。实验结果表明,改进后的模型在保持实时性为49FPS的情况下,均值平均精确度相比原始的YOLOv5模型从原来的83.3%提升到了85.3%,精确率从 83.8%上升到了86.5%,召回率从78.4%上升到79.4%。相较于原先的模型,改进后的 YOLOv5模型在小目标检测上优势明显,能在保持YOLOv5检测实时性的同时,提高是否佩戴头盔和是否为非机动车的检测和分辨效果。同时,针对实际使用场景中可能的干扰因素原创 2023-06-25 18:49:12 · 10051 阅读 · 84 评论