斌擎科技

已获得 Ultralytics YOLO 模型商用版权。可以用于公司成果展示、创新创业、程序设计和毕业设计等用途。

  • 博客(5169)
  • 资源 (10)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 YOLO项目环境配置教程

YOLO项目环境安装，环境配置，项目环境配置，python虚拟环境搭建

2024-10-16 22:49:28 11894

原创 YOLOv8手机识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对公共场所中手机使用行为检测的需求，本文基于YOLOv8目标检测算法构建了一套手机检测系统。实验采用自建手机图像数据集，经过数据标注与增强后，训练了YOLOv8模型。最终模型在验证集上取得了mAP50高达1.02精度0.99召回率0.99的优异性能，混淆矩阵显示仅有5%的手机目标被漏检，且无背景被误检为手机。实验结果表明，该系统能够高精度、低误报地识别图像或视频中的手机，可广泛应用于课堂、考场、车间等需管控手机使用的场景。订阅此专栏获取文章项目完整源码和数据集。

2026-06-24 12:35:11 17

原创 YOLOv8七种车辆类型识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文基于YOLOv8目标检测算法，构建了一个面向七种车辆类型的检测系统，包括：小型轿车、中型轿车、大型轿车、小型卡车、大型卡车、油罐车及特种车辆。模型在自建数据集上进行训练与验证，训练集包含1488张图像，验证集507张，测试集31张。初步实验结果显示出异常高的精度与召回率（接近1.0），混淆矩阵与性能曲线存在明显异常，提示可能存在数据泄露、标注错误或训练流程配置问题。本文重点对数据集构建过程、训练策略及结果异常原因进行了分析，为后续改进车辆检测系统提供了参考。订阅此专栏获取文章项目完整源码和数据集。

2026-06-23 12:33:13 168

原创 YOLOv8无人机识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对低空无人机（drone）的检测需求，本文基于YOLOv8目标检测算法构建了一个无人机识别系统。实验采用自建无人机数据集，包含训练集1012张图像、验证集347张图像，类别为单一目标“drone”。模型训练过程中，损失函数收敛稳定，未出现过拟合现象。最终模型在验证集上的平均精度（mAP@0.5）达到0.93，F1分数为0.91，对无人机的识别准确率达94.6%，误检和漏检率均处于较低水平。实验结果表明，该系统具备高精度、高鲁棒性和良好部署潜力，可满足低空安防场景下的无人机检测任务要求。

2026-06-22 16:07:27 231

原创 YOLOv8食品识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

alcohol — 酒精alcohol_glass — 酒杯almond — 杏仁avocado — 牛油果 / 鳄梨blackberry — 黑莓blueberry — 蓝莓bread — 面包bread_loaf — 整条面包 / 面包块capsicum — 甜椒 / 灯笼椒cheese — 奶酪chocolate — 巧克力cooked_meat — 熟肉dates — 椰枣egg — 鸡蛋eggplant — 茄子icecream — 冰淇淋milk — 牛奶mil

2026-06-21 11:51:53 185

原创 YOLOv8树上自然生长的苹果识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对自然果园环境中苹果目标检测面临的光照变化、枝叶遮挡及果实密集等挑战，本研究基于YOLOv8目标检测算法构建了一套树上苹果检测系统。实验采用自建苹果图像数据集，包含训练集1355张、验证集77张、测试集39张，目标类别为单一“Apples”类。经过充分训练，模型在验证集上取得了mAP@0.5为0.92、mAP@0.5:0.95为0.92的优异性能。混淆矩阵分析显示，模型对苹果类的正确识别率达到85%，漏检率为15%，误检率极低。

2026-06-20 16:42:44 175

原创 YOLOv8苹果损坏识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文基于YOLOv8目标检测算法，构建了一套苹果损坏检测系统，用于自动识别果园或分拣场景中的损坏苹果。模型以为唯一检测类别，训练集包含253张图像，验证集包含103张图像。实验结果表明，模型在验证集上的mAP50达到0.79，最佳F1分数为0.78。总体而言，模型在受控环境下对损坏苹果具有中等偏上的检测能力，具备实际应用潜力。订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.html。

2026-06-17 17:11:21 214

原创 YOLOv8苹果新鲜与腐烂识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

苹果在采后储存、运输及销售过程中极易发生腐烂变质，快速、准确地检测腐烂苹果对于保障食品安全、减少经济损失具有重要意义。本文基于YOLOv8目标检测算法，构建了一个用于区分新鲜苹果（apple）与腐烂苹果（damaged_apple）的计算机视觉检测系统。模型在自建数据集上进行训练与评估，该数据集包含训练集489张、验证集178张、测试集30张，共2个类别。实验结果表明，模型在测试集上的平均精度均值（mAP50）达到0.89，F1分数最高为0.78。

2026-06-16 13:19:15 254

原创 YOLOv8冰箱内食物识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

随着智能家居与健康饮食管理的快速发展，冰箱内食物自动化识别成为关键任务。本文基于YOLOv8目标检测算法，构建了一个包含30类常见冰箱食物的检测系统。实验采用自建数据集，其中训练集2,896张、验证集103张、测试集51张。模型训练结果显示，整体F1值最高达到0.96，精确率在高置信度下接近1.0，召回率在低置信度下亦接近1.0，mAP50稳定在0.65~0.70之间，mAP50-95达到0.30~0.38。混淆矩阵表明大多数食物类别分类准确率高，背景误检率低。

2026-06-15 16:48:42 317

原创 YOLOv8生菜生长周期识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对生菜生长周期中不同阶段（育苗盘、空荚、发芽、豆荚、幼嫩期）的自动识别需求，本文基于YOLOv8目标检测算法构建了一套生菜生长周期检测系统。系统使用包含1,060张训练图像、299张验证图像和151张测试图像的自建数据集，共标注5个类别。实验结果表明，模型在验证集上的mAP50达到0.68–0.70，mAP50-95达到0.53–0.55，精确率约为0.88，召回率约为0.91，最佳F1值为0.91。

2026-06-14 19:36:45 73

原创 YOLOv8大豆识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本研究基于YOLOv8目标检测算法构建了一套大豆自动检测系统，旨在实现田间环境下大豆目标的快速、准确定位。模型在自建数据集上完成训练与评估，数据集共包含1984张标注图像，划分为训练集1716张、验证集168张、测试集100张，类别为单一大豆（soybean）。实验结果表明，该模型在测试集上的mAP@0.5达到0.992，大豆类别的召回率为0.98，精确率在置信度阈值高于0.12时可达1.00，F1分数最高为0.98。混淆矩阵显示仅7个大豆目标被误检为背景，无背景被误检为大豆。

2026-06-12 15:26:51 175

原创 YOLOv8花生种子霉变识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文设计并实现了一套基于YOLOv8的花生种子霉变识别检测系统。系统采用模块化架构，集成了用户管理、多源检测（图片/视频/摄像头）、检测参数实时调节、YOLOv8核心检测引擎、结果可视化与保存等十大功能模块，并提供了具有毛玻璃效果的现代化图形用户界面。系统基于Python深度学习框架构建，使用自建的花生种子霉变数据集进行模型训练，该数据集包含有霉变与无霉变两类目标，共计367张标注图像。

2026-06-11 11:27:08 184

原创 YOLOv8疲劳驾驶识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

为了提升疲劳驾驶检测的准确性与实时性，本文基于YOLOv8目标检测算法构建了一套疲劳驾驶识别系统，专注于检测驾驶员的打哈欠（Yawn）与眼睛状态（闭合 close、睁开 open）。系统使用自建数据集，共计16246张标注图像，划分为训练集（13719张）、验证集（1380张）和测试集（1147张），涵盖4个类别。实验结果表明，模型在Yawn和close类别上表现优异，mAP@0.5分别达到0.77和0.77，精确率分别为0.97和0.91。关键词：YOLOv8；疲劳驾驶检测；目标检测；眼睛状态识别；

2026-06-10 15:26:27 487

原创 YOLOv8香蕉成熟度识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

香蕉成熟度的准确检测是采后处理、储运管理及智能分拣中的关键环节。本文基于YOLOv8目标检测算法，构建了一个针对六类香蕉成熟度（freshripe、freshunripe、overripe、ripe、rotten、unripe）的自动检测系统。系统使用了包含超过1.8万张图像的数据集进行训练、验证与测试。实验结果表明，模型在验证集上的整体mAP@0.5达到0.94，mAP@0.5-0.95为0.70，精确率与召回率分别达到0.88与0.99。

2026-06-10 15:25:56 93

原创 YOLOv8昆虫识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对农业生产中害虫种类多、识别难度大、人工检测效率低等问题，本文基于YOLOv8目标检测算法构建了一套昆虫检测系统，实现对10类常见农业害虫的自动识别与定位。系统采用包含696张训练图像、199张验证图像和100张测试图像的自建数据集，训练过程中使用mAP、F1分数、召回率、混淆矩阵等指标对模型性能进行全面评估。实验结果表明，模型在测试集上的总体精度为0.918，召回率达到1.00，mAP50为0.89，F1分数在置信度阈值为0.645时达到0.88，各类别之间混淆程度低，训练过程稳定收敛。

2026-06-10 15:25:25 90

原创 YOLOv8杂草识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本研究旨在利用YOLOv8目标检测算法构建针对田间杂草——酸模叶蓼（Ridderzuring）的自动检测系统。数据集共包含2,486张标注图像，分为训练集1,661张、验证集580张和测试集245张，类别设为单类（ridderzuring）。通过对训练过程中的损失曲线、混淆矩阵、精确率-召回率曲线及标注分布等多维度指标的分析，评估模型的检测性能。订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.html。

2026-06-10 15:24:50 78

原创 YOLOv8口罩识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对公共场所口罩佩戴自动检测的实际需求，本文基于YOLOv8目标检测算法构建了一套口罩佩戴检测系统。系统将检测目标划分为“未戴口罩”（Without a mask）和“已戴口罩”（Wear a mask）两类，采用包含6732张训练图像和1227张验证图像的自建数据集进行模型训练与评估。实验结果表明，模型在验证集上的mAP@0.5达到0.950，精确率为0.94，召回率为0.95。混淆矩阵分析显示，“已戴口罩”类别的识别准确率为94%，“未戴口罩”类别为90%，F1最佳分数达0.93。

2026-06-10 15:24:19 198

原创 YOLOv8植物病害识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

植物病害是威胁全球农业产量与质量的主要因素之一，传统的人工识别方法依赖专家经验，效率低、主观性强。本文基于YOLOv8目标检测算法，构建了一套涵盖30类植物及其叶片病害的检测系统，包括苹果、玉米、马铃薯、番茄、葡萄等主要作物的健康叶片及典型病害类型。数据集共包含2255张图像，其中训练集2009张，验证集246张。关键词：YOLOv8；植物病害检测；目标检测；深度学习；农业智能化。

2026-06-10 15:23:43 82

原创 YOLOv8火焰烟雾识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文基于YOLOv8目标检测算法构建了一套火焰与烟雾检测系统。数据集共包含6,744张标注图像，涵盖fire和smoke两类目标，其中训练集4,832张、验证集1,000张、测试集912张。实验结果表明，系统整体mAP@0.5达到91.6%，其中火焰检测mAP为93.7%，烟雾检测mAP为89.5%。混淆矩阵分析显示，火焰正确识别率达91%。训练损失曲线平稳下降，模型收敛良好，但烟雾检测性能仍有较大提升空间。关键词：YOLOv8；火焰检测；烟雾检测；目标检测；火灾预警。

2026-06-10 15:23:12 525

原创 YOLOv8危险武器识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对公共安全领域中危险武器（如刀具）实时检测的需求，本文基于YOLOv8目标检测算法构建了一套高精度、轻量化的刀具识别系统。系统采用单类别（Knife）检测架构，使用包含6675张训练图像和2514张验证图像的自建数据集进行模型训练与评估。实验结果表明，模型在验证集上的mAP50达到0.963，精确率为0.932，召回率为0.915，推理速度仅为2.6ms/图像，模型参数量约1110万。混淆矩阵分析显示，刀具识别正确率达97%，背景误报率仅3%。

2026-06-04 11:02:54 289 2

原创 YOLOv8寄生虫分类识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对寄生虫显微图像分类识别任务中存在的类别形态相似、小目标检测困难等问题，本文基于YOLOv8框架构建了一套包含8类常见寄生虫的自动检测系统。模型共168层，参数量约1113万，在自建数据集（训练集1484张，验证集411张，测试集215张）上进行训练与评估。实验结果表明，模型在验证集上的整体mAP50达到0.873，mAP50-95为0.714，单张图像推理时间仅4.2ms，满足实时检测需求。

2026-06-04 11:00:16 507

原创 YOLOv8超市空货架识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对超市货架空置状态识别依赖人工巡检效率低、实时性差的问题，本文基于YOLOv8目标检测算法构建了一套超市空货架识别检测系统。系统以“100- O-O-S”为唯一检测类别，数据集共497张图像，划分为训练集350张、验证集97张、测试集50张。实验结果表明，模型在验证集上取得了0.937的mAP50和0.79的mAP50-95，最高F1值达到0.92，精确率最高可达1.00，召回率最高为0.96。本系统所使用的数据集为自建的超市货架空置状态图像集，共包含497张图像。

2026-06-04 10:58:46 629

原创 YOLOv8水下生物识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文基于YOLOv8框架构建了一套水下生物识别检测系统，旨在实现对海洋常见生物的自动检测与分类。系统涵盖海胆（echinus）、海参（holothurian）、扇贝（scallop）、海星（starfish）和水草（waterweeds）共5个类别。实验采用包含7600张图像的数据集，按7:2:1的比例划分为训练集（5320张）、验证集（1520张）和测试集（760张）。训练过程中模型收敛良好，最终在验证集上取得的mAP50达到0.90，mAP50-95达到0.65。

2026-06-04 10:56:36 226

原创 YOLOv8药物识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

准确识别药物种类及其外观特征是保障用药安全、实现自动化药房管理的关键技术环节。针对当前药物检测中存在的种类繁多、外观相似度高、人工核对效率低等问题，本文基于YOLOv8目标检测算法构建了一套药物识别检测系统。系统共涵盖8个类别，包括4种药物类型（Cipro 500、Ibuphil 600 mg、Ibuphil Cold 400-60、Xyzall 5mg）及4种颜色特征（蓝、粉、红、白）。数据集共包含451张标注图像，按约7:2:1比例划分为训练集、验证集和测试集。

2026-06-04 10:55:20 260

原创 YOLOv8字母数字识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文基于YOLOv8目标检测算法，构建了一个针对36类字符（数字0-9及大写字母A-Z）的高精度识别检测系统。系统采用4245张训练图像、1221张验证图像及610张测试图像进行模型训练与评估。实验结果表明，模型在测试集上取得了极其优异的性能：最高F1值达到0.96，最高精确率达1.0，召回率达0.99，mAP50接近1.0。混淆矩阵分析显示，模型对包括易混淆字符（如0/O、1/I）在内的所有类别均表现出极高的区分能力，错误率极低。训练与验证损失曲线同步下降且未出现过拟合现象，证明了模型的稳健性与泛化能力。

2026-06-01 16:38:20 128

原创 YOLOv8工地运输车识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对工地环境中多类工程车辆（挖掘机、自卸车、轮式装载机）的实时检测需求，本文基于YOLOv8目标检测算法构建了一套高精度、轻量化的识别检测系统。系统采用三分类检测架构，共包含1112万参数，在包含2244张训练图像、267张验证图像和144张测试图像的自建数据集上进行训练与评估。实验结果表明，模型在验证集上的平均精度均值（mAP50）达到0.923，mAP50-95为0.799，整体精确率为0.956，召回率为0.831，单张图像推理时间仅2.0ms。

2026-06-01 16:36:14 79

原创 YOLOv8车辆识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文针对城市交通场景中的车辆识别问题，构建了一个基于YOLOv8的目标检测系统，用于识别公交车、小汽车、摩托车和卡车四类车辆。实验采用自建数据集，共包含1000张标注图像，其中训练集750张、验证集100张、测试集150张。对训练结果的混淆矩阵、精度-召回率曲线及损失函数曲线等多项指标进行系统分析。数据集类型图像数量训练集750 张验证集100 张测试集150 张bus：公交车car：小汽车（含轿车、SUV、面包车等乘用车）motorbike：摩托车（含电动摩托车）truck。

2026-06-01 16:32:03 95

原创 YOLOv88安全锥识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对工业与交通场景中安全锥自动检测需求，本文基于YOLOv8框架构建了一个二分类目标检测系统，用于识别图像中的安全锥（Safety Cone）与背景。模型训练共使用5,960张标注图像，验证集341张，测试集170张，类别为单类“Safety Cone”。实验结果显示，模型在训练集上的精确率达到0.84，召回率0.83，mAP@0.5为0.83，表现出较好的收敛性与基本检测能力。本系统所使用的数据集为单类别目标检测数据集，类别为“Safety Cone”（安全锥），类别数量nc=1。数据集类型图像数量。

2026-06-01 16:29:53 94

原创 YOLOv8护目镜佩戴识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

为提升工业安全监控中护目镜佩戴检测的自动化水平，本文基于YOLOv8目标检测算法构建了一套高精度护目镜佩戴识别系统。系统使用包含三类目标（佩戴护目镜、未佩戴护目镜、背景）的标注数据集，其中训练集13,200张、验证集1,256张、测试集627张。经过充分训练后，模型在验证集上表现出优异的识别性能：佩戴护目镜类别的识别准确率达到97%，未佩戴护目镜类别准确率为89%，整体平均精度均值（mAP@0.5）高达0.973，最大F1分数为0.94。训练损失曲线稳定下降，未出现明显过拟合现象。

2026-06-01 16:28:11 87

原创 YOLOv8 Apex游戏人物识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对第一人称射击游戏《Apex Legends》中游戏角色与可交互物体实时检测的需求，本文构建了一个基于YOLOv8的目标检测系统。该系统能够识别游戏画面中的两类关键目标：玩家角色（avatar）与游戏物体（object）。实验采用自建的2,583张训练图像、691张验证图像及415张测试图像，基于YOLOv8架构进行训练与评估。实验结果表明，模型整体平均精确度（mAP@0.5）达到0.858，其中角色类别的检测表现优异，AP值高达0.91，召回率为0.87；

2026-06-01 13:58:26 103

原创 YOLOv8家具识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

针对室内场景中家具目标的自动识别问题，本文基于YOLOv8目标检测算法构建了一套家具检测系统，用于识别图像中的Chair（椅子）、Sofa（沙发）、Table（桌子）三类常见家具。系统采用YOLOv8作为主干网络，利用其高效的单阶段检测架构实现端到端的家具定位与分类。实验构建了一个包含689张标注图像的数据集，按约6:2:1的比例划分为训练集（454张）、验证集（161张）和测试集（74张）。经充分训练后，模型在验证集上预期达到较高的检测精度。该系统可应用于智能家居、室内机器人导航、家具自动盘点等场景。

2026-06-01 13:56:30 140

原创 YOLOv8可回收塑料识别分类检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

随着全球塑料污染问题日益严峻，高效、准确的可回收塑料自动分拣技术成为循环经济体系中的关键环节。本文基于YOLOv8目标检测算法，构建了一套可回收塑料识别与分类检测系统，涵盖七类常见塑料废弃物：HDPE Plastic、Multi-layer Plastic、PET Bottle、Single-Use-Plastic、Single-layer Plastic、Squeeze-Tube 及 UHT-Box。实验采用大规模自建数据集，其中训练集19,034张、验证集2,051张、测试集990张。

2026-06-01 13:54:23 138

原创 YOLOv8热成像人员识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本报告针对基于YOLOv8的热成像人员检测系统进行了全面的训练评估与性能分析。系统采用单类别（person）检测任务，数据集包含训练集21,422张、验证集3,061张、测试集1,531张热成像图像。训练过程中，模型的box_loss从1.78降至0.95，cls_loss从1.78降至0.95，损失函数稳定收敛。最终验证结果显示，mAP@0.5达到0.938，mAP@0.5:0.95为0.61，精确率最高可达1.00，召回率最高为0.97。

2026-06-01 13:51:41 124

原创 YOLOv8手语识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

手语是听障人士与外界沟通的核心方式，但多数健听人群缺乏手语知识，造成交流障碍。本文基于YOLOv8目标检测算法构建了一套面向26个英文字母手势的实时检测系统。数据集共包含720张标注图像，涵盖A–Z共26个类别，按7:2:1划分为训练集（504张）、验证集（144张）和测试集（72张）。实验结果表明，模型在验证集上的mAP50和mAP50-95均达到0.99，最佳F1分数为0.91（对应置信度阈值0.55），精确率与召回率均接近完美。损失函数曲线平稳下降，训练与验证损失高度一致，未出现明显过拟合。

2026-06-01 13:49:51 218

原创 YOLOv8安全背心穿戴识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

安全背心作为工业与施工场景中重要的个人防护装备，其穿戴检测对保障人员安全具有关键作用。本文基于YOLOv8目标检测算法，构建了一套高效的安全背心穿戴识别系统，用于区分“已穿背心(vest)”与“未穿背心(no-vest)”两种状态。模型在包含2728张训练图像、779张验证图像及390张测试图像的自建数据集上进行训练与评估。实验结果表明，模型在验证集上的整体mAP@0.5达到0.891，其中背心类别(vest)的mAP@0.5高达0.93，精确率与召回率分别为0.897和0.876。

2026-06-01 13:46:22 283

原创 YOLOv8麻将识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文基于YOLOv8目标检测算法构建了一套麻将牌面识别检测系统，旨在实现复杂光照与姿态条件下的实时、高精度麻将牌分类与定位。系统共定义42个类别，涵盖1至9的筒、条、万及东南西北、红中、发财、白板等常用牌型。模型在RTX 3080 Ti硬件环境下完成训练与评估，实验结果表明：模型在验证集上的平均精度mAP50达到92.6%，mAP50-95为76.1%，F1分数最高为0.92，推理速度约为5.4毫秒/张，满足实时检测需求。混淆矩阵分析显示，绝大多数类别识别准确，少数类别（如4S、9C、WW等）存在一定误检。

2026-06-01 13:44:59 198

原创 YOLOv8扑克牌识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

扑克牌识别是计算机视觉在智能博弈、辅助裁判及自动化发牌系统中的一项基础任务，其挑战在于类别数量多（52类）、类间相似度高（不同花色同数字、同花色近数字）。本文基于YOLOv8构建了一套高精度扑克牌实时检测系统。数据集共包含24233张标注图像，涵盖52个完整类别，按约21:2:1划分为训练集（21203张）、验证集（2020张）与测试集（1010张）。

2026-06-01 13:42:40 511

原创 YOLOv8篮球运动员识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文基于YOLOv8目标检测算法，构建了一套面向篮球比赛场景的多目标检测系统，用于识别图像或视频中的篮球、篮筐、球员、裁判、计时器、队名、球队得分、剩余时间及节次等9类关键元素。实验采用自建数据集，包含训练集1140张、验证集32张、测试集24张，并在RTX 3080 Ti GPU上进行训练与评估。实验结果表明，模型整体mAP50达到0.883，mAP50-95为0.622，推理速度约为66ms/张（约15 FPS）。其中，篮筐、得分、剩余时间等类别检测效果优异（mAP50 > 0.94）。

2026-06-01 13:38:20 449

原创 YOLOv8野生动物识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文基于YOLOv8目标检测算法，构建了一套野生动物识别检测系统，用于自动识别图像中的郊狼、鹿、野猪、兔和浣熊五类野生动物。系统采用轻量级网络结构（168层，1112万参数），在包含10665张训练图像的数据集上进行训练，并在928张验证集上取得mAP50为0.971、召回率为0.929的优异性能。推理速度达每张3.3毫秒，满足实时检测需求。

2026-06-01 13:35:56 258

原创 YOLOv8美国硬币识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置）

本文设计并实现了一种基于YOLOv8的美国硬币识别检测系统，旨在自动识别图像中的四种常见硬币：Dime（10美分）、Nickel（5美分）、Penny（1美分）和Quarter（25美分）。系统采用YOLOv8目标检测框架，在包含120张标注图像的数据集上进行训练、验证与测试。实验结果表明，模型在验证集上的mAP50和mAP50-95均达到1.0，精确率与召回率表现良好。然而，混淆矩阵分析显示，Nickel与Penny之间存在较为严重的相互误判问题，Dime与Nickel也存在一定混淆。

2026-05-26 16:31:50 89

数学建模的29个通用模型及matlab解法.zip
第01章 线性规划。 第02章 整数规划 第03章 非线性规划 第04章 动态规划 第05章 图与网络 第06章 排队论 第07章 对策论 第08章 层次分析法 第09章 插值与拟合 第10章 数据的统计描述和分析 第11章 方差分析 第12章 回归分析 第13章 微分方程建模 第14章 稳定状态模型 第15章 常微分方程的解法 第16章 差分方程模型 第17章 马氏链模型 第18章 变分法模型 第19章 神经网络模型 第20章 偏微分方程的数值解 第21章 目标规划 第22章 模糊数学模型 第23章 现代优化算法 第24章 时间序列模型 第25章 存贮论 第26章 经济与金融中的优化问题 第27章 生产与服务运作管理中的优化问题 第28章 灰色系统理论及其应用 第29章 多元分析 第30章 偏最小二乘回归

2024-05-14

第20章 偏微分方程的数值解.pdf
第20章 偏微分方程的数值解

2024-05-14

yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件
支持['bird','cat', 'cow', 'dog', 'horse', 'sheep']6种动物的检测 yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件 支持['bird','cat', 'cow', 'dog', 'horse', 'sheep']6种动物的检测 yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件 支持['bird','cat', 'cow', 'dog', 'horse', 'sheep']6种动物的检测 yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件 支持['bird','cat', 'cow', 'dog', 'horse', 'sheep']6种动物的检测 yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件

2024-05-09

Squeezed Edge YOLO：边缘设备上的板载对象检测

由于其在自主导航中的关键作用，对高效车载物体检测的需求正在增加。然而，由于 YOLO 等资源受限的边缘设备上的计算要求很高，因此在此类模型上部署此类检测模型具有挑战性。本文研究了一种名为Squeezed Edge YOLO的压缩目标检测模型。该模型被压缩和优化为千字节的参数，以适应此类边缘设备的板载。为了评估 Squeezed Edge YOLO，使用了两个用例 - 人体和形状检测 - 来展示模型的准确性和性能。此外，该模型还部署在具有 8 个 RISC-V 内核的 GAP8 处理器和具有 4GB 内存的 NVIDIA Jetson Nano 上。实验结果表明，Squeezed Edge YOLO模型尺寸优化了8倍，能效提高了76%，整个过程提高了3.3倍。

2024-04-11

奥地利自动驾驶深度学习视觉模型YOLO和DETR的首次定性观察

本研究探讨了单阶段和两阶段二维目标检测算法的应用，如你只看一次（YOLO）、实时设计模型（RT-DETR）算法在自动物体检测中的应用，以提高奥地利道路上自动驾驶的道路安全性。YOLO算法是一种最先进的实时物体检测系统，以其效率和准确性而闻名。在驾驶环境中，其快速识别和跟踪物体的潜力对于高级驾驶辅助系统（ADAS）和自动驾驶汽车至关重要。该研究的重点是奥地利的道路状况和交通情况带来的独特挑战。该国多样化的景观、不同的天气条件和特定的交通法规需要一种量身定制的方法来进行可靠的物体检测。该研究利用了一个选择性数据集，包括在奥地利道路上拍摄的图像和视频，包括城市、农村和高山环境。

2024-04-11

使用YOLO从SDSS图像中检测到边缘低表面亮度星系候选星系

低表面亮度星系（LSBG）是星系群中较暗的成员，被认为是众多的。然而，由于它们的表面亮度低，寻找广域LSBGs样本是困难的，这反过来又限制了我们充分了解星系的形成和演化以及星系关系的能力。边缘LSBG由于其独特的方向，为研究星系结构和星系成分提供了极好的机会。在这项工作中，我们利用You Only Look Once目标检测算法，通过在斯隆数字巡天（SDSS）中训练281个边缘LSBG来构建边缘LSBG检测模型gri-波段合成图像。该模型在测试集上的召回率为94.64%，纯度为95.38%。我们搜索了 938,046gri来自 SDSS 数据发布 16 的波段图像，发现了 52,293 个候选 LSBG。为了提高候选LSBG的纯度并减少污染，我们采用了深度支持向量数据描述算法来识别候选样品中的异常。最终，我们编制了一个包含 40,759 个边缘 LSBG 候选药物的目录。该样本与训练数据集具有相似的特征，主要由蓝色边缘的 LSBG 候选者组成。该目录可通过此 https URL 在线获取。

2024-04-11

yolo使用TomFormer及早准确检测番茄叶病

番茄叶病对番茄种植者构成了重大挑战，导致作物产量大幅下降。及时准确地识别番茄叶病对于成功实施病害管理策略至关重要。本文介绍了一种基于变压器的模型，称为TomFormer，用于番茄叶病检测。该论文的主要贡献包括以下几点：首先，我们提出了一种检测番茄叶病的新方法，即采用结合视觉转换器和卷积神经网络的融合模型。其次，我们的目标是将我们提出的方法应用于Hello Stretch机器人，以实现番茄叶病的实时诊断。第三，我们通过将我们的方法与 YOLOS、DETR、ViT 和 Swin 等模型进行比较来评估我们的方法，证明其能够实现最先进的结果。为了进行实验，我们使用了三个番茄叶病数据集，即 KUTomaDATA、PlantDoc 和 PlanVillage，其中 KUTomaDATA 是从阿联酋阿布扎比的一个温室收集的。最后，我们对模型的性能进行了全面分析，并彻底讨论了我们方法固有的局限性。TomFormer 在 KUTomaDATA、PlantDoc 和 PlantVillage 数据集上表现良好，平均准确率 （mAP） 得分分别为 87%、81% 和 83%。mAP的比较结果表明，我们的方法

2024-04-11

YOLOv7无人机实时探测人体

计算机视觉和遥感中最重要的问题之一是物体检测，它可以识别图片中不同事物的特定类别。公共安全的两个关键数据来源是无人驾驶飞行器（UAV）产生的热红外（TIR）遥感多场景照片和视频。由于目标尺度小，场景信息复杂，相对于可观看视频的分辨率较低，并且缺乏公开可用的标记数据集和训练模型，因此其目标检测过程仍然很困难。本研究提出了一种用于图片和视频的UAV TIR目标检测框架。用于收集地面TIR照片和视频的前视红外（FLIR）相机用于创建基于CNN架构的“你只看一次”（YOLO）模型。结果表明，在验证任务中，使用YOLOv7（YOLO版本7）最先进的模型\cite{1}，检测人体的平均精度为IOU（Intersection over Union）= 0.5，为72.5%，而检测速度约为161帧/秒（FPS/秒）。该应用展示了YOLO架构的实用性，该应用根据YOLOv7模型从各种无人机的观察角度评估了无人机TIR视频中人员的交叉检测性能。本工作对使用深度学习模型的TIR图片和视频目标检测进行定性和定量评估得到了有利的支持。

2024-04-11

使用 YOLO 对牛栏编号进行分类

本文介绍了CowStallNumbers数据集，该数据集是从奶牛视频中提取的图像集合，旨在推进奶牛摊位数量检测领域。该数据集包括 1042 张训练图像和 261 张测试图像，摊位数范围为 0 到 60。为了增强数据集，我们对YOLO模型进行了微调，并应用了数据增强技术，包括随机裁剪、中心裁剪和随机旋转。实验结果表明，识别失速数的准确率为95.4%。

2024-04-11

使用 YOLOv7 和 ESRGAN 改进坑洼检测

坑洼是常见的道路危险，会对车辆造成损坏并给驾驶员带来安全风险。卷积神经网络（CNN）的引入在业界广泛用于基于深度学习方法的目标检测，并在硬件改进和软件实现方面取得了重大进展。在本文中，提出了一种独特的更好算法，以保证使用低分辨率相机或低分辨率图像和视频源，通过超分辨率生成对抗网络（SRGAN）使用超分辨率（SR）进行自动坑洼检测。然后，我们继续使用 You Only Look Once （YOLO） 网络（即 YOLOv7 网络）在低质量和高质量行车记录仪图像上建立基线坑洼检测性能。然后，我们说明并检查了在对低质量图像进行放大实施后，在基准之上获得的速度和准确性。

2024-04-11

基于YOLO的动态序列匹配模型，实现高效的无覆盖图像隐写

许多现有的无封面隐写术方法在封面图像和隐藏数据之间建立了映射关系。存在一个问题，即存储在数据库中的图像数量会随着隐写能力的增加而呈指数增长。对高隐写能力的需求使得构建图像数据库具有挑战性。为了提高隐写系统的图像库利用率和抗攻击能力，我们提出了一种基于动态匹配子串的高效无覆盖方案。YOLO用于选择最优对象，并在这些对象和加扰因子之间建立映射字典。借助该字典，每个图像都被有效地分配给特定的加扰因子，该因子用于加扰接收器的序列键。为了在有限的图像库中实现足够的隐写能力，加扰序列的所有子串都具有隐藏数据的潜力。完成秘密信息匹配后，将从数据库中获得理想数量的stego图像。实验结果表明，该技术在数据负载、传输安全性、隐藏能力等方面优于以往大多数工作。在典型的几何攻击下，它平均可以恢复79.85%的秘密信息。此外，只需要大约 200 个随机图像即可满足每个图像 19 位的容量。

2024-04-11

使用YOLO v7在磁共振成像中检测肾脏

简介 本研究探讨了使用最新的 You Only Look Once （YOLO V7） 物体检测方法，通过训练和测试医学图像格式上的改进 YOLO V7，来增强医学成像中的肾脏检测。方法 研究纳入878例肾细胞癌（RCC）不同亚型患者和206例肾脏正常患者。共检索到1084例患者的5657次MRI扫描。从回顾性维护的数据库中招募了 326 名患者，涉及 1034 个肿瘤，并在他们的肿瘤周围绘制了边界框。在 80% 的注释案例上训练了主要模型，其中 20% 用于测试（主要测试集）。然后使用最佳主要模型来识别其余 861 名患者的肿瘤，并使用该模型在他们的扫描中生成边界框坐标。创建了 10 个基准训练集，其中包含未分段患者的生成坐标。用于预测主要测试集中肾脏的最终模型。我们报告了阳性预测值（PPV）、灵敏度和平均精密度（mAP）。结果 初级训练集的平均PPV为0.94 +/- 0.01，灵敏度为0.87 +/- 0.04，mAP为0.91 +/- 0.02。最佳主要模型的 PPV 为 0.97，灵敏度为 0.92，mAP 为 0.95。最终模型的平均 PPV 为 0.95 +/- 0.03

2024-04-11

YOLO-CIANNA：在无线电数据中进行深度学习的星系检测 I. 一种受YOLO启发的新型源检测方法应用于SKAO SDC1

即将到来的平方公里阵列（SKA）将为天文仪器产生的数据量设定一个新标准，这可能会挑战广泛采用的数据分析工具，这些工具无法与数据大小进行充分扩展。本研究旨在通过应用现代深度学习目标检测技术，为海量射电天文数据集开发一种新的源检测和表征方法。这些方法已经证明了它们在复杂的计算机视觉任务中的效率，我们试图确定它们在应用于天文数据时的具体优势和劣势。我们介绍了YOLO-CIANNA，这是一款专为天文数据集设计的高度定制的深度学习目标探测器。本文介绍了该方法，并描述了解决射电天文图像特定挑战所需的所有低级适应。我们使用来自 SKAO SDC1 数据集的模拟 2D 连续体图像演示了这种方法的功能。我们的方法优于特定 SDC1 数据集上所有其他已发表的结果。使用 SDC1 指标，我们将挑战获胜分数提高了 +139\%，将唯一其他挑战后参与的分数提高了 +61\%。我们的目录的检测纯度为 94%，同时检测的来源比以前的最高分结果多 40 至 60%。经过训练的模型还可以强制在后处理中达到 99% 的纯度，并且仍然比其他高分方法多检测 10% 到 30% 的来源。它还能够实时检测，在单个 GPU 上每秒

2024-04-11

具有混合注意力特征金字塔网络的YOLO算法，用于焊点缺陷检测

传统的人工检测焊点缺陷在工业生产中不再适用，因为效率低、评估不一致、成本高、缺乏实时数据。针对工业场景表面贴装技术中焊点缺陷检测精度低、误检率高、计算成本高等问题，提出了一种新的方法。所提出的解决方案是专门为焊点缺陷检测算法设计的混合注意力机制，通过提高精度同时降低计算成本来改善制造过程中的质量控制。混合注意力机制包括一种增强的多头自注意力和协调注意力机制，增加了注意力网络感知上下文信息的能力，并增强了网络特征的利用范围。坐标注意力机制增强了不同通道之间的连接，减少了位置信息丢失。混合注意力机制增强了网络感知远距离位置信息和学习局部特征的能力。改进后的算法模型对焊点缺陷检测具有较好的检测能力，mAP达到91.5%，比“只看一次”第5版算法高4.3%，优于其他对比算法。与其他版本相比，平均平均精度、精度、召回率和每秒帧数指标也有所改进。在满足实时检测要求的同时，可以提高检测精度。

2024-04-11

DiffYOLO：通过YOLO和扩散模型进行抗噪声目标检测

以YOLO系列为代表的目标检测模型得到了广泛的应用，并在高质量的数据集上取得了很好的成绩，但并不是所有的工作条件都是理想的。为了解决在低质量数据集上定位目标的问题，现有方法要么训练新的目标检测网络，要么需要大量低质量数据集进行训练。然而，我们在本文中提出了一个框架，并将其应用于称为 DiffYOLO 的 YOLO 模型。具体来说，我们从去噪扩散概率模型中提取特征图，以增强训练有素的模型，这使我们能够在高质量数据集上微调YOLO，并在低质量数据集上进行测试。结果证明，该框架不仅可以证明在噪声数据集上的性能，还可以证明在高质量测试数据集上的检测结果。我们稍后将补充更多的实验（使用各种数据集和网络架构）。

2024-04-11

YOLO-Former：YOLO与ViT握手

所提出的YOLO-Former方法将Transformer和YOLOv4的思想无缝集成，创建了一个高精度、高效率的目标检测系统。该方法利用了 YOLOv4 的快速推理速度，并通过集成卷积注意力和 transformer 模块，融合了 transformer 架构的优势。结果验证了所提方法的有效性，在Pascal VOC数据集上的平均精度（mAP）为85.76\%，同时保持了较高的预测速度，帧速率为每秒10.85帧。这项工作的贡献在于展示了这两种最先进技术的创新组合如何导致目标检测领域的进一步改进。

2024-04-11

基于深度学习的综合感知与通信系统中的目标-用户关联

在集成传感和通信 （ISAC） 系统中，将雷达目标与通信用户设备 （UE） 相匹配可用于多种通信任务，例如主动切换和波束预测。在本文中，我们考虑了一种雷达辅助通信系统，其中基站（BS）配备了具有双重目标的多输入多输出（MIMO）雷达：（i）将车载雷达目标与通信波束空间中的车载设备（VE）相关联，以及（ii）根据雷达数据预测每个VE的波束成形矢量。建议的目标用户 （T2U） 关联包括两个阶段。首先，从距角图像中检测车辆雷达目标，并估计每个目标的波束成形矢量。然后，将推断出的每目标波束成形矢量与BS上用于通信的波束成形矢量进行匹配，以执行目标到用户（T2U）关联。通过修改“只看一次”（YOLO）模型，在模拟的距离角度雷达图像上进行训练，从而获得联合多目标检测和波束推理。不同城市车辆出行情景下的仿真结果表明，所提T2U方法提供了随BS天线阵列尺寸增加而增加的正确关联概率，突出了波束空间中VE可分离性的相应增加。此外，我们表明，改进后的YOLO架构可以有效地进行波束预测和雷达目标检测，在不同天线阵列尺寸下，后者的平均精度相似。

2024-04-11

使用基于YOLO的学习方法对农业进行实时目标检测和机器人操作

优化普通种植作物的作物收获过程对于农业产业化的目标具有重要意义。如今，机器视觉的利用使农作物的自动识别成为可能，从而提高了收割效率，但挑战仍然存在。本研究提出了一个新框架，该框架结合了卷积神经网络（CNN）的两个独立架构，以便在模拟环境中同时完成作物检测和收获（机器人操作）的任务。模拟环境中的裁剪图像会进行随机旋转、裁剪、亮度和对比度调整，以创建用于数据集生成的增强图像。“你只看一次”算法框架与传统的矩形边界框一起使用，用于作物定位。随后，所提出的方法通过视觉几何组模型利用获取的图像数据，以揭示机器人操作的抓取位置。

2024-04-11

YOLO-World：实时开放词汇对象检测

You Only Look Once （YOLO） 系列探测器已成为高效实用的工具。但是，它们对预定义和训练对象类别的依赖限制了它们在开放场景中的适用性。为了解决这一局限性，我们引入了 YOLO-World，这是一种创新方法，通过视觉语言建模和大规模数据集的预训练，增强了 YOLO 的开放词汇检测功能。具体而言，我们提出了一种新的可重新参数化的视觉-语言路径聚合网络（RepVL-PAN）和区域-文本对比损失，以促进视觉和语言信息之间的交互。我们的方法擅长以零射程、高效率检测各种物体。在具有挑战性的 LVIS 数据集上，YOLO-World 在 V100 上以 52.0 FPS 实现了 35.4 AP，在准确性和速度方面都优于许多最先进的方法。此外，经过微调的 YOLO-World 在多个下游任务上取得了出色的性能，包括对象检测和开放词汇实例分割。

2024-04-11

基于YOLO的红外小目标检测范式
在计算机视觉中，检测红外图像中从小到小的目标是一项具有挑战性的任务，尤其是在将这些目标与嘈杂或有纹理的背景区分开来时。与分割神经网络相比，YOLO 等传统目标检测方法难以检测微小目标，导致检测小目标时性能较弱。为了在保持高检测率的同时减少误报的数量，我们引入了反之亦然YOLO检测器训练的决策标准。后者利用了出乎意料的小目标，以区分他们与复杂背景。将这一统计标准添加到YOLOv7-tine中，弥合了用于红外小目标检测和目标检测网络的最先进的分割方法之间的性能差距。它还显著提高了YOLO在少镜头设置下的鲁棒性。

2024-04-11

深度学习 国际象棋游戏数据集
数据集介绍 数据介绍 这是从Lichess.org网站上的精选用户那里收集的20,000多个游戏的集合，以及如何收集更多游戏。将来，我还会收集更多游戏。 内容范围 游戏编号； 额定（T / F）； 开始时间; 时间结束; 转弯数量; 游戏状态； 优胜者; 时间增量； 白色玩家编号； 白人球员等级； 黑人玩家ID； 黑人球员等级； 标准象棋符号的所有动作； 开放的生态（任何给定开口的标准化代码，在此处列出）； 开幕名称； 开启层（开启阶段的移动次数） 探索方向 单个国际象棋游戏中包含许多信息，更不用说多个游戏的完整数据集了。它主要是一种模式游戏，而数据科学就是要检测数据模式，这就是为什么国际象棋是过去在AI领域投入最多的原因之一。该数据集收集了20,000个游戏中可用的所有信息，并以易于处理的格式进行了分析，例如，分析了允许玩家以黑白棋获胜的方式，多少元（游戏外）影响游戏的因素，黑白与空缺与胜利之间的关系等等。

2024-07-31

深度学习行人检测数据集

行人检测的图片，内置10000张行人图像，1000张骑自行车图像，1000张骑车图像。

2024-07-31

Kolektor：表面缺陷数据集
该数据集是Kolektor Group收集并标注的电子换向器缺陷数据集。数据集中包含了50种编写的电子换向器，每种有8张图片以及其语义分割的label。图像的大小为500×1240像素。 数据集介绍 该数据集是Kolektor Group收集并标注的电子换向器缺陷数据集。数据集中包含了50种编写的电子换向器，每种有8张图片以及其语义分割的label。图像的大小为500×1240像素。 数据集包括： 399幅图片：52幅可见缺陷图像、347幅图像无任何缺陷 尺寸的原始图像：宽度：500 px，高度：1240至1270 px 对于训练和评估，图像应该调整到512 x 1408 px。 对于每个项目，缺陷仅在至少一个图像中可见，而两个项目在两个图像上有缺陷，这意味着有52个图像中的缺陷是可见的。其余347幅图像作为无缺陷表面的负面例子.

2024-07-31

第14章 稳定状态模型.pdf
第14章 稳定状态模型

2024-05-14

第05章 图与网络.pdf
第05章 图与网络

2024-05-14

第21章 目标规划.pdf
第21章 目标规划

2024-05-14

第28章 灰色系统理论及其应用.pdf
第28章 灰色系统理论及其应用

2024-05-14

第06章 排队论.pdf
第06章 排队论

2024-05-14

第16章 差分方程模型.pdf
第16章 差分方程模型

2024-05-14

第07章 对策论.pdf
第07章 对策论

2024-05-14

第19章 神经网络模型.pdf
第19章 神经网络模型

2024-05-14

第23章 现代优化算法.pdf
第23章 现代优化算法

2024-05-14

第09章 插值与拟合.pdf
第09章 插值与拟合

2024-05-14

第08章 层次分析法.pdf
第08章 层次分析法

2024-05-14

第12章 回归分析.pdf
第12章 回归分析

2024-05-14

第13章 微分方程建模.pdf
第13章 微分方程建模

2024-05-14

第30章 偏最小二乘回归.pdf
第30章 偏最小二乘回归

2024-05-14

第11章 方差分析.pdf
第11章 方差分析

2024-05-14

第25章 存贮论.pdf
第25章 存贮论

2024-05-14

第04章 动态规划.pdf
第04章 动态规划

2024-05-14

C++开发实用教程最好的

2024-03-14

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除