斌擎科技-CSDN博客

原创 YOLOv8/v10/v11/v12 百大项目实战专栏目录

在众多目标检测算法中，YOLO（You Only Look Once）凭借其卓越的速度与精度平衡，始终屹立于技术浪潮之巅。特别是Ultralytics公司推出的YOLOv8、以及未来可期的v10、v11、v12，以其更加友好的设计、更强大的性能和更灵活的部署方案，成为了开发者、研究员和工程师们实现视觉AI应用的首选框架。

2025-08-26 17:10:21 1540 1

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 10407

原创手机检测新SOTA？YOLOv26用3500张图跑出mAP96.6%：数据集构建、模型训练与部署全流程（免费获取模型）

本报告基于YOLO26目标检测算法，开发了一套面向手机目标的智能检测系统。系统采用单类目标检测架构，在自建手机数据集上进行训练与验证。数据集共包含3500张标注图像，其中训练集2700张，验证集800张。经过充分训练后，模型在验证集上取得了优异的检测性能：mAP50达到0.966，mAP50-95为0.818，精度为0.953，召回率为0.916。混淆矩阵分析显示，模型对手机的识别准确率达93%，误检率仅为7%。

2026-04-10 14:36:11 13

原创 YOLOv26七类车辆检测系统：mAP50高达0.99的实战全解。数据集构建、模型训练与部署全流程（免费获取模型）

本文基于YOLO26目标检测算法，构建了一个面向七种车辆类型的检测系统。该系统可识别tiny-car、mid-car、big-car、small-truck、big-truck、oil-truck和special-car共七类车辆。数据集包含训练集1488张、验证集507张和测试集31张。实验结果表明，模型在验证集上取得了mAP50高达0.99、mAP50-95为0.882的优异成绩，精度和召回率分别为0.979和0.955。各类别检测性能均衡，尤其在big-car和small-truck上表现突出。该

2026-04-10 14:34:01 95

原创基于YOLO26的无人机检测：95.1% mAP50与1.7ms实时推理。数据集构建、模型训练与部署全流程（免费获取模型）

无人机识别检测系统在低空安防、空域管理和公共安全等领域具有重要应用价值。本研究基于YOLO26目标检测算法，构建了一套针对无人机目标的自动识别检测系统。系统使用包含1个类别（drone）的数据集进行训练，其中训练集1012张图像，验证集347张图像。实验结果表明，该模型在验证集上取得了95.1%的mAP50，精确率达到95.5%，召回率为88.6%，最佳F1分数为0.92。模型推理速度为1.7ms/张，满足实时检测需求。混淆矩阵分析显示模型对背景的识别准确率达到100%，无虚警情况，但对无人机目标存在约

2026-04-10 14:28:06 109

原创复杂自然环境下基于YOLO26的树上苹果识别与定位系统（免费获取模型）

本文针对自然环境下树上苹果的自动检测问题，基于YOLO26目标检测算法构建了一套高效的苹果检测系统。研究使用自建的苹果数据集，包含训练集1355张、验证集77张和测试集39张，共标注了苹果类别。实验结果表明，模型在验证集上取得了0.852的精确率、0.835的召回率和0.889的mAP50，最大F1分数达到0.84。通过混淆矩阵分析，模型对苹果的正确检测率为82%，背景误检率为18%。该系统能够有效识别自然生长状态下的苹果，为果园智能化管理提供了可靠的技术支持。

2026-04-10 14:10:05 92

原创 YOLO26苹果损坏检测系统：高精度与低漏检率的平衡探索（免费获取模型）

本文介绍了一个基于YOLO26的苹果损坏检测系统，用于自动化识别和定位受损苹果。系统采用单类目标检测方法，仅针对"damaged_apple"这一类别进行训练和验证。实验使用356张标注图像（训练集253张，验证集103张），在NVIDIA RTX 4090 D GPU上进行训练。验证结果显示，模型在IoU=0.5阈值下达到82.9%的平均精度(mAP50)，综合精度为82.4%，召回率为74.6%。混淆矩阵分析表明，模型对损坏苹果的正确检测率为75%，误检率为0%，但存在25%的漏检率。系统单张图像推理速

2026-04-10 14:06:42 117

原创 YOLO26果蔬品质检测实战：苹果新鲜与腐烂自动识别系统（免费获取模型）

本文针对苹果品质检测中的新鲜与腐烂分类问题，基于YOLO26目标检测算法构建了一套高效的苹果新鲜腐烂检测系统。该系统可自动识别图像中的新鲜苹果（apple）与腐烂苹果（damaged_apple），为果蔬品质评估提供智能化解决方案。实验采用YOLO26模型在数据集上进行训练与验证，数据集共包含697张标注图像，其中训练集489张、验证集178张、测试集30张。训练结果显示，模型在验证集上的mAP50达到0.8，表现出优异的检测精度与泛化能力。通过对混淆矩阵、精度-召回率曲线等指标的深入分析

2026-04-10 13:56:09 257

原创高精度冰箱内部食物检测系统：基于YOLO26的30类目标识别与定位（免费获取模型）

本文针对智能冰箱应用场景，提出了一种基于YOLO26的冰箱内部食物检测系统。该系统旨在实现冰箱内30类常见食物的自动识别与定位，包括水果、蔬菜、肉类、乳制品等多种类别。研究采用自定义数据集进行模型训练，数据集包含2896张训练图像、103张验证图像和51张测试图像，覆盖了日常生活中常见的食物类别。实验结果表明，模型在验证集上取得了0.964的mAP50，精确率达到0.953，召回率达到0.942，展现了优秀的检测性能。其中，香蕉、黄油、奶酪等多数类别识别准确率接近完美，牛肉、鸡胸肉等少数类别仍有优化空间。本

2026-04-10 13:47:09 278

原创高精度生菜生长阶段识别系统：YOLO26s在5类周期检测中的实现与评估（免费获取模型）

生菜生长周期的精准识别是智能农业种植管理的关键环节，对优化灌溉、施肥和采收决策具有重要意义。本研究基于YOLOv26s目标检测算法，构建了一个面向生菜生长周期自动检测的系统。数据集包含5个生长阶段类别：Ready（成熟期）、empty_pod（空荚）、germination（发芽期）、pod（结荚期）和young（幼苗期），共计1510张标注图像，其中训练集1060张、验证集299张、测试集151张。实验结果表明，模型在验证集上取得了平均精度(mAP50)达94.5%的优异性能，其中empty_pod、po

2026-04-10 12:47:07 348

原创 YOLO26在大豆目标检测中的极致性能：召回率0.996、推理速度6.0ms/张（免费获取模型）

实验采用自建大豆数据集，包含1984张标注图像，其中训练集1716张、验证集168张、测试集100张，所有图像均标注单一类别"sogbean"。模型训练采用Ultralytics框架，经过100个epoch的迭代训练，在验证集上取得了优异性能：mAP50达到0.996，召回率为0.996，精确率为0.979，mAP50-95为0.838。混淆矩阵分析显示，282个大豆目标被正确检测，仅6个漏检和1个误检，模型展现出极高的检测可靠性。训练过程曲线表明模型收敛良好，无过拟合现象。该系统检测速度达6.0ms/张，

2026-04-10 12:42:55 375

原创实时精准：YOLO26驱动的昆虫自动检测与分类系统：数据集构建、模型训练与部署全流程（免费获取模型）

本文构建了一套基于YOLO26的农业害虫检测系统，旨在实现对10类常见水稻与小麦害虫的自动识别与定位。系统采用YOLO26作为核心检测模型，训练数据集共计995张标注图像，其中训练集696张、验证集199张、测试集100张。实验结果显示，模型在验证集上的整体平均精度（mAP50）达到0.932，mAP50-95为0.64，单张图像推理速度约为5.6ms，展现出高精度与实时性的双重优势。混淆矩阵与精度-召回率曲线进一步验证了模型在多类别检测中的稳定性和可靠性。该系统为农业害虫监测提供了一种高效、可部署的智

2026-04-10 12:33:27 973

原创轻量化YOLO26模型的花生霉变检测系统：数据集构建、模型训练与部署全流程（免费获取模型）

花生作为全球重要的经济作物和食品原料，其品质安全直接关系到消费者健康与产业经济效益。霉变是影响花生品质的主要因素之一，传统的人工检测方法存在效率低、主观性强、难以规模化应用等问题。本研究基于YOLO26目标检测算法，构建了一套高效准确的花生种子霉变检测系统。该系统针对“有霉变”（with mold）和“无霉变”（without mold）两类样本进行识别。

2026-04-07 15:48:19 352

原创轻量化YOLO26模型的实时杂草检测与精准农业决策系统：数据集构建、模型训练与部署全流程（免费获取模型）

杂草的精准识别与定位是实现智能农业精准施药的关键技术之一。本研究针对农田中常见的杂草“ridderzuring”（酸模），构建了一个基于YOLO26的目标检测系统。数据集共包含2486张标注图像，划分为训练集（1661张）、验证集（580张）和测试集（245张），所有图像均标注了单一类别“0 ridderzuring”。实验结果表明，模型在验证集上的平均精度均值（mAP@0.5）达到78.1%，精度（Precision）为76.4%，召回率（Recall）为74.6%。混淆矩阵分析显示，模型对目标的正确识别

2026-04-07 15:40:04 338

原创面向智慧安防的YOLO26口罩佩戴自动识别系统：数据集构建、模型训练与部署全流程（免费获取模型）

本研究基于YOLO26目标检测框架，构建了一套高效准确的口罩佩戴检测系统。该系统针对两种关键类别——未佩戴口罩与正确佩戴口罩——进行智能识别与定位，适用于公共场所疫情防控需求。实验采用6732张图像作为训练集，1227张图像作为验证集，通过YOLO26模型进行端到端的目标检测训练。验证结果表明，模型在检测精度和召回率方面表现优异，整体mAP50达到0.955，其中佩戴口罩类别检测精度为0.97，未佩戴口罩类别检测精度为0.91。模型推理速度达到3.5ms/张，满足实时检测需求。混淆矩阵分析显示，模型对佩戴口

2026-04-07 14:49:27 337

原创 YOLO26多模态植物病害检测系统设计与全栈实现：数据集构建、模型训练与部署全流程（免费获取模型）

植物病害是影响全球农业生产的主要因素之一，及时准确的病害检测对于保障作物产量和品质至关重要。本研究基于YOLO26目标检测算法，构建了一个面向30类植物叶部病害的智能检测系统。数据集包含2009张训练图像和246张验证图像，涵盖苹果、番茄、葡萄、玉米、马铃薯、草莓等多种经济作物的健康与病害叶片。

2026-04-07 14:39:52 341

原创从零搭建YOLO26火焰烟雾检测系统：数据集构建、模型训练与部署全流程（免费获取模型）

本研究构建的YOLO26火灾烟雾检测系统在大规模数据集上表现出优异的检测性能，尤其在火灾检测方面具有高精度和高召回率，具备实际部署潜力。针对烟雾召回率较低以及与火灾的区分问题，未来可通过引入背景负样本、增强细粒度特征提取等方式进一步优化。在包含1000张图像的验证集上，模型整体mAP50达到0.96，mAP50-95为0.853。其中，火灾检测的mAP50高达0.972，召回率为0.931；烟雾检测的mAP50为0.947，召回率为0.891。混淆矩阵分析显示，火灾与烟雾之间存在一定的特征混淆，

2026-04-07 13:49:05 868

原创【免费获取模型】YOLO26骨折识别检测系统：基于YOLOv26的高精度骨折影像智能诊断与分析平台

本研究提出了一种基于YOLO26目标检测框架的骨折识别系统，旨在通过深度学习技术实现对医学影像中骨折区域的自动定位与分类。该系统构建了一个包含“Fracture”（骨折）、“No_Fracture”（无骨折）和“object”（物体）三类目标的数据集，涵盖训练集2108张、验证集602张及测试集301张图像。实验结果显示，模型在验证集上的平均精度（mAP50）达到了0.501。本研究为医学影像辅助诊断提供了初步的技术验证，未来工作将聚焦于数据增强、类别定义优化及模型轻量化，以提升骨折识别的准确性和临床实用性

2026-04-03 17:15:32 425

原创基于深度学习YOLOv12的中药药材识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本系统针对45种常用中药材（涵盖根茎、果实、花叶及加工品等）进行模型训练。通过自建的大型中药数据集（共计10,000张标注图像），利用YOLOv12卓越的特征提取能力和检测速度，实现了对复杂背景下中药饮片的高精度定位与分类。系统不仅支持静态图片识别，还拓展了实时视频流检测和摄像头动态捕捉功能，能够满足中药房自动化核对、药材库存盘点、在线教学演示以及移动端辅助鉴别等多种应用场景。实验结果表明，该系统在保证实时性的同时，具备较高的识别准确率，为中医药的智能化鉴定提供了有效的技术解决方案。

2026-04-02 09:42:43 354

原创基于YOLOv11深度学习的中药识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

随着中医药现代化的推进，中药材的自动化检测与智能化分拣成为行业升级的关键需求。传统的人工鉴别方法效率低、主观性强，难以满足大规模生产的需求。本项目基于前沿的YOLOv11深度学习目标检测算法，开发了一套面向45类常见中药材的可见光检测系统。该系统能够高效、准确地识别包括白茯苓、白芍、白术、冬虫夏草、人参等在内的多种药材。系统支持静态图片批量检测、动态视频流实时分析以及摄像头实时捕捉三种工作模式，为中药材的自动化定级、杂质筛选及仓储管理提供了高效、精准的AI解决方案，旨在降低人工成本，提升中药生产的标准化与智

2026-04-02 09:41:33 331

原创基于YOLOv10深度学习的中药识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目+模型）

随着人工智能与中医药现代化的深度融合，基于深度学习的计算机视觉技术为中药材的自动化鉴别与分类提供了全新的解决方案。本系统基于最新的YOLOv10目标检测算法，针对45种常见中药材（如白茯苓、白芍、白术、人参、天麻、川贝母等）的视觉特征，开发了一套高精度的智能检测识别系统。系统支持图像、视频以及实时摄像头三种检测模式，能够对采集的药材图像进行实时、准确的定位与分类。该研究旨在解决传统人工鉴别效率低、主观性强的问题，为中药材流通监管、智能药房及药材种植管理提供高效、标准化的技术支撑。

2026-04-02 09:40:32 336

原创基于YOLOv8深度学习的中药识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

本项目基于YOLOv8深度学习框架，开发了一套面向中药材的可见光图像智能识别系统。系统针对45种常见中药材（包括白茯苓、白芍、白术、蒲公英、甘草等）进行目标检测与识别，可实现从图像、视频以及实时摄像头流中快速准确地识别和定位中药材。系统采用先进的YOLOv8目标检测算法，结合自建的10,000余张高质量中药材图像数据集，实现了对中药材外观特征的精准学习和识别。该系统可广泛应用于中药材种植基地的药材监测、中药饮片厂的品质控制、药房的药材核对以及中医药教学培训等领域，为中医药产业的数字化、智能化发展提供有力技术

2026-04-02 09:39:27 310

原创基于深度学习YOLOv12的可见光无人机检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

该系统实现了对图像、视频流以及实时摄像头画面中无人机的精准识别与定位，为低空空域安全监控提供了高效智能的技术解决方案。实验结果表明，基于YOLOv12的检测模型在自建无人机数据集上取得了优异的检测性能，在保证实时检测速度的同时，有效提升了小目标的检测精度。

2026-04-02 09:35:02 290

原创基于YOLOv11深度学习的可见光无人机检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

随着低空经济的迅速发展和无人机应用的普及，“低慢小”目标的无序飞行对公共安全、隐私保护和重点区域安防构成了严峻挑战。针对复杂背景下可见光图像中无人机目标尺寸小、运动随机、易与飞鸟等物体混淆的检测难题，本系统基于最新的YOLOv11深度学习框架，设计并实现了一套高效、精准的可见光无人机检测系统。

2026-04-02 09:34:06 343

原创基于YOLOv10深度学习的可见光无人机检测系统（YOLOv10+YOLO数据集+UI界面+Python项目+模型）

本项目基于最新的YOLOv10（You Only Look Once version 10）深度学习目标检测算法，设计并实现了一套面向可见光场景的无人机检测系统。YOLOv10以其端到端的实时检测能力和高精度特性，为复杂背景下的无人机识别提供了技术支撑。系统具备三大核心功能模块：图片检测、视频检测以及实时摄像头检测，能够实现对单张图像、离线视频文件及实时监控画面中无人机的精准定位与识别。实验结果表明，该系统在自建的无人机数据集上表现优异，具有良好的鲁棒性和实时性，为反无人机系统提供了有效的视觉感知解决方案。

2026-04-02 09:32:42 321

原创基于YOLOv8深度学习的可见光无人机检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

本项目构建了一个专门用于可见光场景的无人机数据集，并基于YOLOv8网络进行模型训练与优化。系统不仅具备高精度的检测能力，还开发了图形化操作界面，支持图片检测、视频文件检测以及实时摄像头检测三种核心模式。用户可以通过软件直观地查看检测结果，包括目标置信度、位置信息以及实时帧率。该系统可广泛应用于机场净空保护、重要场所低空安防、体育赛事安保等领域，为防范无人机“黑飞”提供了一种高效、智能的技术解决方案

2026-04-02 09:31:36 151

原创基于深度学习YOLOv12的植物叶片病害识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本研究采用YOLOv12深度学习框架，构建了一个端到端的目标检测模型。利用公开的大规模植物叶片数据集，该数据集经过精细的类别平衡与预处理，涵盖了苹果、蓝莓、樱桃、玉米、葡萄、番茄等14种主要作物的38种不同状态（包括病害与健康）。通过引入YOLOv12先进的网络结构（如高效的注意力机制和梯度路径聚合），模型在复杂背景下的特征提取能力得到显著增强。本项目旨在为精准农业、智慧植保提供一种高效、便捷的自动化监测工具，帮助农户和农业专家快速掌握作物健康状况，及时采取防治措施，从而降低经济损失，保障农产品质量安全。

2026-04-02 09:26:23 171

原创基于YOLOv11深度学习的植物叶片病害识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本项目旨在开发一套基于YOLOv11深度学习算法的植物叶片病害智能识别检测系统。该系统针对农业生产中的实际痛点，利用计算机视觉技术，实现对植物叶片病害的快速、准确检测与分类。系统功能全面，支持图片检测、视频检测以及摄像头实时检测（现场监控），极大地拓展了应用场景。农业植保站通过监控摄像头实时监测，亦或是研究人员对历史数据进行离线分析，本系统都能提供高效的技术支持。通过将先进的AI技术与农业植保相结合，本项目旨在降低农业生产者的技术门槛，为农作物病虫害的早期预警和精准防治提供强有力的决策支持，助力智慧农业的发

2026-04-02 09:24:15 198

原创基于YOLOv10深度学习的植物叶片病害识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目+模型）

植物病害是影响农作物产量和质量的主要因素之一，传统的人工检测方法效率低、主观性强，难以满足现代农业精准化管理的需求。本研究构建了一个基于YOLOv10深度学习模型的植物叶片病害识别检测系统。系统整合了包含54,293张图像的植物叶片数据集，涵盖苹果、蓝莓、樱桃、玉米、葡萄、柑橘、桃、辣椒、马铃薯、树莓、大豆、南瓜、草莓、番茄等14种植物，共计38个类别（包括病害和健康叶片）。

2026-04-02 09:22:54 333

原创基于YOLOv8深度学习的植物叶片病害识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

本文基于YOLOv8深度学习算法，设计并实现了一套多功能的植物叶片病害识别检测系统。系统涵盖图片检测、视频检测及摄像头实时检测三种模式，能够对包括苹果、蓝莓、樱桃、玉米、葡萄、柑橘、桃、辣椒、马铃薯、树莓、大豆、南瓜、草莓、番茄在内的14种作物的38种叶片状态进行精准识别，其中包含多种常见病害及健康叶片。系统设计了三大功能模块：图片检测、视频检测和摄像头实时检测，可广泛应用于农业生产基地、植物保护站、农业科研机构以及智能农业移动终端等场景。

2026-04-02 09:20:30 348

原创基于深度学习YOLOv12的车辆碰撞检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本项目旨在基于前沿的YOLOv12深度学习目标检测算法，开发一套高效、智能的车辆碰撞检测系统。该系统能够对车辆碰撞事件进行实时、准确的识别与定位。系统功能全面，支持图片检测（可对单张图片中的碰撞损伤进行分析）、视频检测（可对本地视频文件进行逐帧分析并标记碰撞发生的时间和位置）以及实时摄像头检测（可连接道路或车载摄像头，对实时画面进行监控）。通过自动化、智能化的检测手段，本系统旨在为交通管理部门、保险公司以及自动驾驶安全研究等领域提供有力的技术支撑，提升交通事故处理的效率和道路交通安全的智能化水平。

2026-04-02 09:18:32 722

原创基于YOLOv11深度学习的车辆碰撞检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

为了解决这一痛点，本项目基于最新的YOLOv11深度学习算法，设计并实现了一套高效的车辆碰撞检测系统。该系统旨在通过对交通场景的实时分析，自动识别并区分不同程度的碰撞事件。系统支持图片、视频以及实时摄像头流三种检测模式，具备高度的灵活性和实用性。实验结果表明，该模型在自建数据集上表现优异，能够为智能交通监控、自动驾驶辅助以及城市安全管理提供有力的技术支撑。

2026-04-02 09:17:22 347

原创基于YOLOv10深度学习的车辆碰撞检测系统（YOLOv10+YOLO数据集+UI界面+Python项目+模型）

随着交通流量的日益密集，交通事故尤其是车辆碰撞的快速检测与程度评估，对于缩短救援响应时间、减轻交通拥堵具有重要意义。然而，传统的监控系统依赖人工值守，存在时效性差、易漏判等问题。为了解决这一痛点，本项目基于前沿的YOLOv10深度学习目标检测算法，设计并实现了一套端到端的车辆碰撞检测系统。该系统摒弃了复杂的预处理流程，能够直接对图像、视频流及实时摄像头画面进行高精度分析。

2026-04-02 09:14:32 380

原创基于YOLOv8深度学习的车辆碰撞检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

本项目基于前沿的YOLOv8目标检测算法，旨在开发一套高效、精准的车辆碰撞检测系统。该系统能够对道路监控画面中的车辆碰撞事故进行实时识别，并根据碰撞严重程度区分为“中度”与“重度”两个等级。系统支持多种输入源，包括静态图片、本地视频文件以及实时摄像头流，为智能交通监控、自动驾驶决策支持及事后事故分析提供了高效的技术解决方案。实验结果表明，基于深度学习的视觉检测方法在复杂交通场景下具有良好的鲁棒性和实时性，能够有效提升交通事故监控的智能化水平。

2026-04-02 09:08:01 425

原创基于深度学习YOLOv12的道路裂缝检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本项目基于最新推出的YOLOv12目标检测算法，开发了一套功能完整的道路裂缝检测系统。YOLOv12作为YOLO系列的最新成员，在保持高检测速度的同时，进一步提升了检测精度，特别适合对细小裂缝目标的识别。系统提供了三种检测模式：图片检测、视频检测和摄像头实时检测，可灵活应用于不同场景。图片检测支持单张或多张图片的批量处理；视频检测可对录制的道路视频进行分析；摄像头检测则能够连接监控摄像头或行车记录仪，实现实时道路裂缝预警。

2026-04-01 15:53:42 350

原创基于YOLOv11深度学习的道路裂缝检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

该系统能够高效处理图像、视频以及实时摄像头流等多种数据源。通过对采集的道路图像进行预处理和增强，利用改进的YOLOv11网络模型进行深层特征提取与识别，实现了对四种常见路面横向裂缝、纵向裂缝、块状裂缝及龟裂裂缝的高精度定位与分类。实验结果表明，该系统在复杂路面背景及光照条件下具有较高的鲁棒性和实时性。该系统的建立不仅能够大幅降低人工巡检的劳动强度，也为道路预防性养护提供了精准的数据支持，具备极高的工程应用价值和推广前景。

2026-04-01 15:52:43 305

原创基于YOLOv10深度学习的道路裂缝检测系统（YOLOv10+YOLO数据集+UI界面+Python项目+模型）

本项目基于先进的YOLOv10目标检测算法，开发了一套道路裂缝智能检测系统。道路裂缝作为最常见的路面病害之一，及时准确地检测和分类对于保障道路安全、降低养护成本具有重要意义。本系统通过深度学习技术，能够自动识别和定位四种不同类型的道路裂缝，并提供直观的可视化检测结果。道路裂缝检测是道路养护管理中的基础性工作，传统的人工巡检方法效率低、主观性强，难以满足大规模道路网络的检测需求。针对这一问题，本文设计并实现了一种基于YOLOv10的道路裂缝智能检测系统。该系统利用YOLOv10在目标检测领域的优异性能，结

2026-04-01 15:51:49 314

原创基于YOLOv8深度学习的道路裂缝检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

随着我国公路总里程的不断增长，道路病害检测已成为公路养护管理中的关键环节。传统的道路裂缝检测主要依赖人工巡检，不仅耗时耗力，而且存在主观性强、检测标准不统一等问题。本项目基于YOLOv8目标检测算法，开发了一套智能化的道路裂缝检测系统，旨在实现对道路裂缝的快速、准确识别，为道路养护决策提供数据支持。道路裂缝作为路面病害的主要表现形式，其早期发现与及时修复对延长道路使用寿命、保障行车安全具有重要意义。针对传统人工检测效率低、漏检率高等问题，本文基于YOLOv8目标检测算法，设计并实现了一套多功能的道路裂缝

2026-04-01 15:50:03 344

原创基于深度学习YOLOv12的蘑菇毒性检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本项目基于 YOLOv12 深度学习目标检测算法，构建了一套高精度、高实时性的蘑菇毒性检测系统，旨在解决野生蘑菇误食导致的中毒风险问题。系统针对蘑菇的毒性分类需求，将检测目标划分为不可食用（inedible）、有毒（poisonous）、可食用（edible）三类，提供图片静态检测、视频动态检测、摄像头实时检测三大核心功能。在实际应用场景中，用户可通过上传蘑菇图片快速获取毒性分类结果，也可对野外拍摄的蘑菇视频进行逐帧检测，或通过摄像头实时识别镜头中的蘑菇类型，系统能够输出蘑菇的类别标签、置信度及目标框位

2026-04-01 15:37:03 463

原创基于YOLOv11深度学习的蘑菇毒性检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本项目基于 YOLOv11（You Only Look Once v11）轻量化深度学习目标检测算法，构建了一套端到端的蘑菇毒性检测系统，旨在解决传统蘑菇毒性鉴别依赖专业知识、效率低且易出错的问题。系统面向普通用户、食品安全监管人员及野外作业者，提供图片检测、视频实时检测、摄像头实时检测三大核心功能，可快速识别并分类蘑菇的毒性类别，为蘑菇食用安全提供智能化、便捷化的决策支持。YOLOv11 作为最新一代 YOLO 系列算法，在保持高精度的同时优化了模型推理速度和参数量，适配不同硬件环境（如 PC 端、嵌

2026-04-01 15:36:01 317

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

TA关注的人

数学建模的29个通用模型及matlab解法.zip

第20章 偏微分方程的数值解.pdf

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

Squeezed Edge YOLO：边缘设备上的板载对象检测

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

使用YOLO从SDSS图像中检测到边缘低表面亮度星系候选星系

yolo使用TomFormer及早准确检测番茄叶病

YOLOv7无人机实时探测人体

使用 YOLO 对牛栏编号进行分类

使用 YOLOv7 和 ESRGAN 改进坑洼检测

基于YOLO的动态序列匹配模型，实现高效的无覆盖图像隐写

使用YOLO v7在磁共振成像中检测肾脏

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

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

DiffYOLO：通过YOLO和扩散模型进行抗噪声目标检测

YOLO-Former：YOLO与ViT握手

基于深度学习的综合感知与通信系统中的目标-用户关联

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

YOLO-World：实时开放词汇对象检测

基于YOLO的红外小目标检测范式

深度学习 国际象棋游戏数据集

深度学习行人检测数据集

Kolektor：表面缺陷数据集

第14章 稳定状态模型.pdf

第05章 图与网络.pdf

第21章 目标规划.pdf

第28章 灰色系统理论及其应用.pdf

第06章 排队论.pdf

第16章 差分方程模型.pdf

第07章 对策论.pdf

第19章 神经网络模型.pdf

第23章 现代优化算法.pdf

第09章 插值与拟合.pdf

第08章 层次分析法.pdf

第12章 回归分析.pdf

第13章 微分方程建模.pdf

第30章 偏最小二乘回归.pdf

第11章 方差分析.pdf

第25章 存贮论.pdf

第04章 动态规划.pdf

C++开发实用教程最好的

第20章偏微分方程的数值解.pdf

深度学习国际象棋游戏数据集

第14章稳定状态模型.pdf

第05章图与网络.pdf

第21章目标规划.pdf

第28章灰色系统理论及其应用.pdf

第06章排队论.pdf

第16章差分方程模型.pdf

第07章对策论.pdf

第19章神经网络模型.pdf

第23章现代优化算法.pdf

第09章插值与拟合.pdf

第08章层次分析法.pdf

第12章回归分析.pdf

第13章微分方程建模.pdf

第30章偏最小二乘回归.pdf

第11章方差分析.pdf

第25章存贮论.pdf

第04章动态规划.pdf