斌擎科技-CSDN博客

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 12487 1

原创儿童手腕创伤X光检测数据集-labelimg标注-数据标注-YOLO数据集

儿童手腕创伤X光检测数据集-已标注-YOLO数据集医学影像目标检测和常规自然图像检测有很明显的数据差异：骨折线可能只有几个像素，骨组织的灰度对比度低，类别长尾又会让总体指标失去解释力。本文结合一套儿童手腕创伤 X 光 YOLO 数据集，说明数据规模、标签结构、尺度分布、训练风险与验证方法。重要声明：本文和对应数据集仅用于算法研究、数据集演示和工程开发验证，不构成医学诊断、治疗建议或临床结论，也不能替代专业医生的判断。文章不展示或伪造患者身份信息。

2026-09-18 22:46:30 10

原创低光红外人体检测数据集-YOLO低光红外人体检测数据集：15486张图像，42427个person框-labelimg标注-数据标注-YOLO数据集

这套“低光红外人体检测数据集”面向低照度环境下的行人检测、小目标召回和遮挡场景分析。person数据集共包含 15486 张真实红外图像，全部为 1280 x 1024。低光行人检测红外人体检测单类别目标检测密集人群检测小目标召回评估夜间和低照度场景泛化。

2026-09-18 22:43:44 19

原创甲状腺结节超声检测数据集-YOLO甲状腺结节超声检测数据集：4939张真实图像-labelimg标注-数据标注-YOLO数据集

这套“甲状腺结节超声检测数据集”面向医学图像目标检测、结节定位和良恶性分类研究。数据共包含 4939 张真实超声图像，使用 YOLO TXT 格式标注，每张图固定包含一个结节框。重要说明：本数据集和后续模型仅用于算法训练、技术研究和辅助分析，不能替代医生诊断，也不构成任何医疗建议。甲状腺结节目标检测单结节定位良性与恶性二分类类别不平衡训练医学图像增强与特征分析YOLO 系列模型训练和评估。

2026-09-18 22:41:49 36

原创鱼眼摄像头下车辆数据集_7833张鱼眼车辆检测YOLO数据集：152428个目标框-labelimg标注-数据标注-YOLO数据集

这套“鱼眼摄像头下车辆”数据集面向 YOLO 目标检测训练，图像来自真实鱼眼交通场景，覆盖道路交叉口、停车区、公交车、自行车、行人、汽车和卡车。BusBikeCarPedestrianTruck鱼眼车辆检测行人、自行车和机动车识别高密度交通目标检测鱼眼畸变场景下的模型泛化智慧路口和环视感知YOLO 系列模型训练、对比和部署。

2026-09-18 22:39:50 30

原创学校午餐食物检测数据集-YOLO学校午餐食物检测数据集：3751张真实餐盘图，21类食物-labelimg标注-数据标注-YOLO数据集

这套“学校午餐食物检测数据集”面向校园营养分析、食物识别和整餐结构检测任务。与单张食物照片不同，数据保留了完整午餐托盘，一张图中通常同时出现主食、主菜、配菜、饮品、水果或甜点。数据集使用 YOLO TXT 格式标注，共 21 个类别，包含 3751 张真实图像。21 类食物目标检测学校午餐营养分析餐盘食物组合识别主食、汤、牛奶和水果检测多目标食物分类与定位YOLO 系列模型训练、对比和部署。

2026-09-18 22:37:17 31

原创垃圾检测数据集_1500张垃圾检测YOLO数据集：28类4784个目标框-labelimg标注-数据标注-YOLO数据集

这是一套面向 YOLO 目标检测训练的城市垃圾数据集，图像来自真实环境，覆盖草地、泥土、道路、水面、建筑材料和日常生活场景。data.yaml城市垃圾与环境治理烟头、塑料袋、瓶子和易拉罐检测小目标与复杂背景检测无人机或固定摄像头巡检垃圾类型分类和数量统计YOLO 系列模型训练、对比和部署智慧城市、公益环保和课程设计。

2026-09-18 22:33:14 25

原创动物识别数据集-YOLO动物识别数据集：5399张真实图像、91个类别-labelimg标注-数据标注-YOLO数据集

这套“动物识别数据集”面向 91 类动物目标检测，包含陆地动物、鸟类、昆虫、海洋生物和爬行动物。数据使用 YOLO TXT 格式标注，共包含训练集、验证集和测试集三个划分。91 类动物目标检测多物种识别长尾类别训练与评估单目标与群体目标检测YOLO 系列模型训练和对比动物监测和智能巡检数据集共包含 5399 张图像，全部为 640 x 640。

2026-09-18 22:16:19 30

原创水果检测数据集-832张水果检测YOLO数据集-苹果、香蕉、橙子、菠萝-labelimg标注-数据标注-YOLO数据集

这是一套面向 YOLO 目标检测训练的水果识别数据集，数据包含完整水果、切面、不同包装、近远景和多类桌面背景。data.yamlAppleBananaCube6OrangePineapple也就是苹果、香蕉、Cube6、橙子和菠萝。虽然数据集标题重点介绍橙子、菠萝、香蕉和苹果，但配置文件中确实包含第五类Cube6，训练时不能忽略。水果目标检测与分类生鲜分拣和自动识别颜色、形状与外观对比YOLO 系列模型训练、对比和部署智能零售、农业视觉和机器人分拣计算机视觉课程设计和毕业设计。

2026-09-18 22:14:07 108

原创楼房外表缺陷检测数据集-YOLO楼房外表缺陷检测数据集-脱落、裂缝-labelimg标注-数据标注

这套“楼房外表缺陷检测数据集”面向建筑外墙巡检、楼房缺陷识别和建筑物安全管理任务。图像来自真实楼房外表，包含不同楼型、不同光照、不同拍摄距离和不同墙面纹理。数据使用 YOLO TXT 格式标注。data.yamlnc: 4names: ['VIS', '脱落', '裂缝', '病害3']需要注意，当前标签实例实际只出现在脱落和裂缝两类，VIS与病害3暂时没有实例。训练前可以保留 4 类配置，也可以根据真实业务将类别重新整理为两类，但不能忽略这处配置与实例分布差异。楼房外墙裂缝检测外墙脱落检测。

2026-09-18 22:07:12 59

原创 PCB缺陷检测数据集-24896张PCB缺陷检测数据集-6类缺陷、53707个标注框-数据标注-labelimg标注

PCB缺陷检测数据集-24896张图6类缺陷53707标注框PCB缺陷检测是工业视觉里非常典型、也非常考验数据质量的一类任务。与普通目标检测不同，PCB缺陷往往尺寸很小，边缘对比度有限，有些缺陷甚至只占整张图像的千分之几。只靠少量精挑细选的样图，很难判断一套数据是否真的适合训练。本文介绍的这套PCB缺陷检测数据集，共包含，图像全部为。视频中连续展示了 240 张不重复的真实图像，并完整展开“展示”文件夹中的 5 张训练与统计图片。数据集获取入口放在视频评论区。

2026-09-18 21:32:56 77

原创航拍空中城市影像数据集-8626张航拍城市10类YOLO数据集-456988个目标框-数据标注

这是一套面向 YOLO 目标检测训练的航拍城市多类别数据集，数据覆盖城市道路、十字路口、住宅区、商业街、停车场和人员/车辆密集区域。pedestrianpeoplebicyclecarvantrucktricyclebusmotor航拍城市多类别目标检测行人、车辆和两轮车识别高密度车辆计数小目标与遮挡目标检测智慧交通、无人机巡检和城市治理YOLO 系列模型训练、对比和部署。

2026-09-18 21:28:16 193

原创船舶检测数据集-2989张船舶检测YOLO数据集-7568个boat框-数据标注

这是一套面向 YOLO 目标检测训练的船舶检测数据集，图像来自真实水面、港口、海岸和城市水域场景。boat船舶和船只检测水面目标识别港口、航道与近岸监控远距离小目标检测多尺度船舶检测YOLO 系列模型训练、对比和部署智慧海事、无人机巡检和课程设计。

2026-09-18 21:23:35 336

原创电力线异物检测数据集-4240张电力线异物YOLO数据集-6004个标注框-数据标注

这套“电力线异物检测数据集”面向输电线路异物识别任务，数据来自真实电力巡检图像，覆盖不同导线结构、拍摄角度、自然环境和其他线路背景。trash这里的trash不只代表生活垃圾，也可能包含鸟巢、树枝、飘挂物、缠绕物以及其他影响线路安全的异物。具体类别语义应结合原始采集项目定义使用。电力线异物检测输电线路无人机巡检鸟巢、树枝和飘挂物识别小目标与多尺度检测YOLO 系列模型训练、优化和部署电力安全、计算机视觉课程与毕业设计。

2026-09-18 21:19:21 65

原创 YOLO航拍车辆检测数据集介绍：473张图像、5391个车辆目标框

这套“航拍车辆检测数据集”面向高空视角下的车辆检测和车流分析任务，画面来自城市道路、高架道路、十字路口、环岛、社区道路、停车场和夜间场景。数据使用单类别 YOLO 标注。data.yamlclass0为便于视频和文章阅读，下面统一将该目标称为车辆目标vehicle，但训练时仍可沿用原始类别名称class0，也可以按项目需要将names修改为。航拍车辆检测高密度车流检测与车辆计数小目标和遮挡目标检测夜间和低光航拍识别智慧交通与无人机巡检YOLO 系列模型训练、对比和部署。

2026-09-18 21:14:49 181

原创 YOLO违停检测数据集介绍：3264张图像、10596个wt目标框

这套“违停检测数据集”面向城市道路车辆违停识别任务，画面来自真实道路、路口、商业街区、停车场和俯拍监控等场景。wt这里的wt是data.yaml中使用的原始类别名称，对应本数据集定义的违停目标。具体违停判定边界应结合原始采集规则和项目业务规则使用。城市道路违停检测路口、通道和商铺门前车辆识别夜间和低光车辆检测密集车辆与小目标检测YOLO 系列模型训练、对比和部署智慧交通、视频监控和课程设计项目。

2026-09-18 19:51:26 170

原创航拍森林伐木检测数据集-1196张航拍-1212个deforested框-YOLO数据集

这套“航拍森林伐木检测数据集”面向森林采伐区域识别任务，数据来自真实航拍视角，覆盖热带雨林、温带林地、人工林、山地森林和采伐道路等场景。deforested数据已经按训练集、验证集和测试集完成划分，目录、图片、TXT 标签和data.yaml均可直接用于主流 YOLO 检测训练流程。航拍森林采伐区域检测遥感影像变化分析森林保护和非法伐木巡查裸土与采伐斑块识别无人机林区巡检YOLO 系列模型训练、对比和部署。

2026-09-18 19:13:27 142

原创 YOLO大风倒木道路障碍检测数据集介绍：566张图像、629个fall_tree目标框，YOLO数据集

这套“大风刮倒树木阻碍交通数据集”面向道路倒伏树木检测任务，数据来自真实车辆视角和道路场景。强风、暴雨或其他天气事件后，倒木可能横跨道路、遮挡车道或影响车辆通行，属于典型的道路障碍物检测问题。fall_tree图片、标签文件和data.yaml已经整理为标准检测目录，可接入 YOLOv5、YOLOv8、YOLO11、YOLOv12 等常见模型。道路倒木与障碍物检测应急巡查和灾后道路评估自动驾驶道路风险分析单类别 YOLO 模型训练与部署图像分类、检测和轻量化模型对比。

2026-09-15 13:38:03 319

原创 YOLO航拍建筑检测数据集介绍：733张图像、15094行双类别标签，YOLO数据集

这次整理了一套面向航拍建筑检测的 YOLO 数据集。数据来自真实高空视角，包含山地村落、梯田民居、密集聚落、道路两侧建筑、孤立房屋以及林地、田地和裸露地表等复杂背景。building：普通建筑：装配式房屋图片、标签文件和data.yaml已经整理为标准 YOLO 检测目录，可以接入 YOLOv5、YOLOv8、YOLO11、YOLOv12 等常见训练流程。航拍建筑检测与建筑计数村落、民居和聚落识别多类别目标检测高密度目标与复杂背景检测YOLO 系列模型训练、对比和消融实验。

2026-09-15 13:35:54 419

原创 YOLO航拍人物检测数据集介绍：2315张1280×960图像、8009个person目标框

这次整理了一套面向航拍人物检测的 YOLO 数据集。数据已经按训练集和验证集完成划分，图片与标签文件完整对应，类别采用单类person，可以直接接入常见的 YOLO 目标检测流程。航拍图像行人检测广场、街道、住宅区和滨水区域人员识别密集人群与小目标检测YOLO 系列模型训练、对比和消融实验计算机视觉课程设计、毕业设计和算法验证无人机视觉、智能巡检和实际项目开发与常见近景人物数据集相比，这套数据更强调高空视角下的尺度变化、遮挡、复杂背景和极小目标问题。

2026-09-15 13:33:32 283

原创网球比赛检测数据集深度分析：2274张图像、9623个YOLO目标框，YOLO数据集

网球比赛检测YOLO数据集深度分析：2274张图像。

2026-09-15 12:13:18 273

原创 YOLO钓鱼识别检测数据集介绍：1813张640×640图像、2040个目标框

这次整理了一套面向目标检测训练的钓鱼识别检测数据集。数据已经按训练集、验证集和测试集完成划分，图片与标签一一对应，类别采用单类fishing，可以直接接入常见的 YOLO 目标检测流程。数据集不是只提供几张演示图片，而是包含完整的图片、标签和data.yaml垂钓行为识别岸边和船上人员检测钓鱼场景目标检测计算机视觉课程设计毕业设计与算法验证YOLO 系列模型训练和消融实验。

2026-09-15 11:24:51 116

原创基于YOLOv8/v10/v11/v12/YOLO26的电子元器件目标检测系统设计与实现——融合DeepSeek与千问大模型的智能识别平台

本文详细介绍了一套基于深度学习目标检测算法的电子元器件智能检测系统，创新性地对比了YOLOv8、YOLOv10、YOLOv11、YOLOv12、YOLO26五种主流YOLO系列模型在电子元器件检测任务上的性能表现，并融合了DeepSeek和千问（Qwen）两大国产大语言模型，为检测结果提供智能化的解读和建议。系统采用前后端分离架构，后端基于Flask框架构建高性能API服务，前端采用Vue.js实现现代化的用户交互界面。检测类别涵盖**电容器、电感器、发光二极管、电阻器、晶体管**五大类常用电子元器件。

2026-08-27 16:48:57 296

原创基于YOLOv8/v10/v11/v12/26的森林野外火灾火焰烟雾检测系统（Spring Boot+Vue+Flask+DeepSeek+千问大模型）完整实现与模型对比分析

基于YOLOv8/v10/v11/v12/26的森林野外火灾火焰烟雾检测系统（Spring Boot+Vue+Flask+DeepSeek+千问大模型）完整实现与模型对比分析

2026-08-26 16:52:30 367

原创【YOLO深度学习程序设计首选】YOLOv8/v10/v11/v12/v26五模型实战对比：辣椒叶片病害检测 + DeepSeek/千问智能诊断（网页版本）

融合 YOLOv8/v10/v11/v12/26 五种检测模型 + DeepSeek/千问双大模型智能问答**的辣椒叶片病害检测系统。本文将从理论到实践、从算法到工程，完整呈现这套系统的设计与实现过程。

2026-08-26 14:45:29 494

原创 YOLOv8/v10/v11/v12/v26红外太阳能板缺陷检测系统全栈开发（DeepSeek+千问+SpringBoot+Vue3+Flask+WebSocket+AI大模型）

本系统（SolarSafeIR）的设计目标是构建一套**端到端的红外太阳能板缺陷智能检测平台- ✅ 支持**图片检测、视频检测、实时摄像头检测**三种模式- ✅ 集成 **YOLOv8、YOLOv10、YOLOv11、YOLOv12、YOLO26** 五大主流目标检测模型，支持模型一键切换和对比分析- ✅ 检测到缺陷后可调用 **DeepSeek / Qwen** 大模型生成智能运维建议- ✅ 提供**在线训练**功能，用户可自定义训练参数重新训练模型- ✅ 完整的用户管理、检测记录、数据

2026-08-25 15:00:42 307

原创基于YOLOv8/v10/v11/v12/YOLO26五模型对比的番茄成熟度智能检测系统设计与实现（深度学习全流程教程）

五大YOLO模型横向对比**：首次在同一番茄成熟度数据集上系统对比了YOLOv8、YOLOv10、YOLOv11、YOLOv12以及自定义改进版YOLO26的检测性能，涵盖Precision、Recall、mAP50、mAP50-95、推理速度等全方位指标2. ✅ **完整的三端架构**：SpringBoot后端（业务管理+数据持久化）、Flask推理引擎（YOLO模型推理服务）、Vue3前端（可视化交互界面），前后端分离、微服务解耦3. ✅ **AI大模型融合**：集成DeepSeek和Qwen两大主

2026-08-14 10:00:11 380

原创基于YOLO深度学习的鱼检测系统：YOLOv8/YOLOv10/YOLOv11/YOLOv12/YOLO26五模型对比与全栈架构实现|Vue3+SpringBoot+Flask+MySQL

鱼检测系统采用 Flask + Vue 前后端分离架构,集成 YOLOv8、YOLOv10、YOLOv11、YOLOv12、YOLO26 五大模型,在同一份鱼类数据集上完成横向对比训练。文章详述技术选型、数据集构建、训练流程、前后端关键实现(图片/视频/摄像头检测、模型对比、在线训练、AI 建议)及工程踩坑经验。对比结果显示 YOLOv11、v12 为第一梯队,YOLOv8 稳健,YOLOv10 无 NMS 优势未显,YOLO26 表现低于预期。为 YOLO 落地提供数据驱动的选型参考。

2026-08-09 15:32:31 490 3

原创基于YOLO的车辆类型检测系统：deepseek+千问+YOLOv8/YOLOv10/YOLOv11/YOLOv12/YOLO26模型对比|Vue3+SpringBoot+Flask+MySQL网页版

回到开头那个问题：为什么又做了一个车辆检测系统？市面上的车辆检测 Demo 多的是，但真正把"多模型对比 + 完整业务闭环 + 可追溯记录 + 在线训练"这几件事凑齐的，其实不多。这套系统的价值不在于"它能检测车辆"——这事儿随便一个 YOLO Demo 都能干——而在于它把检测做成了一个可运营、可治理、可演进的平台。对使用者来说，它是一个能直接拿去演示和落地的车辆类型检测产品；对研究者来说，它是一个 YOLO 多版本横向对比的实验台；

2026-08-08 16:45:54 717 1

原创 YOLOv8蘑菇毒性识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+目标检测）

本研究设计并实现了一套基于YOLOv8深度学习目标检测算法的蘑菇毒性智能识别检测系统。该系统以YOLOv8s作为核心检测模型，在自建的多类别蘑菇图像数据集上进行训练与优化，能够对图像、视频及摄像头实时画面中的蘑菇目标进行快速定位与毒性分类，将蘑菇划分为“不可食用”（inedible）、“有毒”（poisonous）和“可食用”（edible）三个类别。

2026-07-27 14:41:21 206

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

本研究针对中药材识别领域面临的现实挑战，设计并实现了一套基于YOLOv8目标检测算法的中药材智能识别检测系统。该系统以45种常见中药材为识别对象，涵盖白茯苓、白芍、白术、蒲公英、甘草、栀子、党参、桃仁、地肤子、牡丹皮、冬虫夏草、杜仲、当归、杏仁、何首乌、黄精、鸡血藤、枸杞、莲须、莲肉、麦门冬、木通、玉竹、女贞子、肉苁蓉、人参、乌梅、覆盆子、瓜蒌皮、肉桂、山茱萸、山药、酸枣仁、桑白皮、山楂、天麻、熟地黄、小茴香、泽泻、竹茹、川贝母、川芎、玄参、益智仁等常用药材品种。

2026-07-27 14:40:21 74

原创 YOLOv8花卉类型识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+目标检测）

花卉物种的快速、准确识别在生态保护、园艺栽培、植物分类学研究以及移动端智能识花应用等领域具有重要的科学价值与应用前景。传统的人工鉴定方法依赖于植物学专家的专业知识和长期经验积累，不仅效率低下、主观性强，且难以实现大规模、实时性的野外监测与普及化应用。针对上述问题，本研究设计并实现了一套基于YOLOv8深度学习目标检测算法的花卉种类智能识别与实时检测系统。

2026-07-27 14:39:29 60

原创 YOLOv8落石滑坡识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+目标检测）

基于深度学习的目标检测方法为地质灾害的自动识别与智能监测开辟了全新的技术路径。在众多目标检测算法中，YOLO（You Only Look Once）系列凭借其独特的端到端单阶段检测框架、卓越的检测速度与精度平衡、良好的泛化能力和工程部署便利性，已成为计算机视觉领域最具影响力的实时目标检测方法之一。

2026-07-27 14:38:43 64

原创 YOLOv8道路裂缝识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+目标检测）

本文设计并实现了一套基于YOLOv8（You Only Look Once version 8）目标检测算法的道路裂缝智能识别检测系统。系统以深度学习技术为核心，构建了包含数据采集与标注、模型训练与优化、推理部署与可视化应用在内的完整技术链路。在模型训练阶段，项目构建了一个包含四种典型道路裂缝类别（D00、D10、D20、D40）的专业数据集，其中训练集包含8000张图像，验证集包含2000张图像，总计10000张标注样本。

2026-07-27 14:36:36 88

原创 YOLOv8红外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+目标检测）

本数据集是一个专为红外热成像场景下无人机目标检测而构建的高质量标注数据集。数据集严格遵循YOLO格式（即归一化标注规范），共包含单一类别（nc: 1），即drone（无人机）。数据集被官方划分为训练集（5019张图像）和验证集（1233张图像），这种划分比例（约8:2）符合深度学习模型训练的一般经验准则，既保证了充足的样本用于学习特征，又保留了足够规模的独立样本用于客观评估模型泛化能力。数据集划分图像数量用途训练集（Train）5019张用于模型参数学习，包括特征提取网络、检测头回归等核心权重的更新。

2026-07-27 14:35:45 68

原创 YOLOv8可见光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+目标检测）

本研究基于YOLOv8s模型，构建了一套完整的可见光无人机目标检测识别系统。在数据层面，本研究构建了包含6252张高质量标注图像的无人机数据集，其中训练集5019张、验证集1233张，涵盖多种无人机型号、多样化的飞行姿态、复杂多变的背景环境及丰富的光照条件，为模型的充分训练与泛化能力提供了坚实的数据基础。通过200个Epoch的充分训练，模型在验证集上取得了优异的表现：精确率达到98.7%，召回率达到92.8%，mAP50达到96.4%，mAP50-95达到63.4%，最佳F1分数达到0.96。

2026-07-27 14:34:56 56

原创 YOLOv8电梯内电动车识别检测系统（项目源码+YOLO数据集+模型权重+UI界面+python+深度学习+环境配置+目标检测）

本系统基于YOLOv8（You Only Look Once version 8）目标检测算法，设计并实现了一套完整的电梯内电动车识别检测系统。YOLOv8作为Ultralytics团队于2023年推出的最新一代实时目标检测模型，在检测精度、推理速度和模型轻量化方面均取得了显著提升，尤其适合部署于边缘计算设备和实时监控场景。

2026-07-27 14:34:03 142

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

本文设计并实现了一套基于YOLOv8目标检测算法的鱼病害智能识别检测系统。在模型层面，系统采用YOLOv8s作为基础架构，该模型继承了YOLO系列单阶段检测算法的端到端学习优势，在检测精度与推理速度之间取得了良好的平衡。针对水产养殖场景中病害特征细微、类别间相似度高、背景复杂等特点，本文构建了包含EUS（流行性溃疡综合征）、眼病、鳍病变和鳃腐烂四类典型鱼病害的专用检测数据集，通过精细的数据标注和增强策略提升模型的泛化能力。

2026-07-27 14:33:12 45

原创基于YOLOv8|v10|11|v12|26+SpringBoot+Vue的蘑菇毒性检测系统：多版本模型对比与AI智能分析

随着深度学习技术的飞速发展，目标检测算法在农业、医疗、安防等领域展现出广阔的应用前景。本文详细阐述了一套基于四种主流目标检测模型的蘑菇毒性检测系统。系统采用三层架构设计，集成了DeepSeek和Qwen两大AI大模型，实现了图像、视频、摄像头三种检测模式，并对多版本YOLO模型的性能进行了深入对比分析。关键词：YOLOv8；YOLOv10；YOLOv11；YOLOv12；YOLO26；蘑菇毒性检测；深度学习；SpringBoot；Vue；AI大模型主要功能视频编码和解码格式转换（AVI ↔ MP4）

2026-07-27 13:28:35 562 4

原创花卉识别检测系统：基于 YOLOv8/v10/v11/v12/26 五模型深度对比的全栈实践，集成大语言模型（千问/DeepSeek）

随着深度学习技术的飞速发展，计算机视觉在农业、园艺、生态监测等领域的应用日益广泛。花卉作为植物分类学的重要研究对象，其种类繁多、形态相似，传统的人工鉴定方式效率低下且易出错。因此，开发一套自动化、智能化的花卉识别系统具有重要的现实意义。项目正是在此背景下诞生，由斌擎科技专业门槛高：花卉分类需要植物学专业知识，普通用户难以掌握识别效率低：人工鉴定耗时长、主观性强，难以大规模推广场景单一：现有研究多基于静态图片，缺乏视频流和实时检测能力模型选择难：YOLO 系列迭代迅速，开发者难以快速选择最优模型。

2026-07-26 16:18:33 909 6

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

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

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