基于深度学习YOLOv10的扑克牌识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

已于 2025-05-21 00:33:20 修改
阅读量864 收藏 24
点赞数 25
文章标签： 深度学习 YOLO ui YOLOv10 扑克牌识别检测系统 计算机视觉 图像处理
于 2025-05-20 08:25:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_68036862/article/details/148079008
版权

一、项目介绍

摘要

本项目基于YOLOv10目标检测算法开发了一套高精度的扑克牌识别检测系统，能够准确识别和定位52种标准扑克牌（包括13个点数×4种花色）。系统在包含24,233张图像的数据集上进行了训练和验证，其中训练集21,203张，验证集2,020张，测试集1,010张。该系统可实时检测扑克牌的种类、位置和数量，可广泛应用于赌场监控、扑克游戏自动计分、魔术教学分析、智能机器人抓取等多个领域，具有重要的实用价值和商业前景。

项目意义

  1. 自动化游戏计分：可替代传统人工计分方式，实现扑克类游戏的自动化计分和结果判定，大幅提高游戏效率和公平性。

  2. 赌场监控与防作弊：在博彩行业可用于实时监控牌桌情况，自动识别异常牌型，防范作弊行为，保障赌场运营安全。

  3. 魔术教学与研究：为魔术爱好者提供自动化的扑克牌动作分析工具，辅助学习和研究扑克魔术技巧。

  4. 机器人视觉引导：为扑克牌分拣机器人提供精准的视觉定位能力，实现自动化扑克牌整理和分类。

  5. 计算机视觉技术验证：作为目标检测算法的一个典型应用场景，扑克牌识别具有图案复杂、相似度高、遮挡常见等特点，是验证和改进目标检测算法的理想测试平台。

  6. 教育示范价值：该项目涵盖了数据采集、标注、模型训练和部署的全流程，是计算机视觉教学的优秀案例。

目录

一、项目介绍

摘要

项目意义

二、项目功能展示

系统功能

图片检测

视频检测

摄像头实时检测

三、数据集介绍

数据集概述

数据集特点

数据集配置文件

数据集制作流程

四、项目环境配置

创建虚拟环境

pycharm中配置anaconda

安装所需要库

五、模型训练

训练代码

训练结果

六、核心代码

七、项目源码（视频下方简介内）

基于深度学习YOLOv10的扑克牌识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv10的扑克牌识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

二、项目功能展示

系统功能

✅ 图片检测：可对图片进行检测，返回检测框及类别信息。

✅ 视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅ 摄像头实时检测：连接USB 摄像头，实现实时监测。

✅参数实时调节（置信度和IoU阈值）

  • 图片检测

        该功能允许用户通过单张图片进行目标检测。输入一张图片后，YOLO模型会实时分析图像，识别出其中的目标，并在图像中框出检测到的目标，输出带有目标框的图像。 

  • 视频检测

        视频检测功能允许用户将视频文件作为输入。YOLO模型将逐帧分析视频，并在每一帧中标记出检测到的目标。最终结果可以是带有目标框的视频文件或实时展示，适用于视频监控和分析等场景。

  • 摄像头实时检测

        该功能支持通过连接摄像头进行实时目标检测。YOLO模型能够在摄像头拍摄的实时视频流中进行目标检测，实时识别并显示检测结果。此功能非常适用于安防监控、无人驾驶、智能交通等应用，提供即时反馈。

核心特点：

  • 高精度：基于YOLO模型，提供精确的目标检测能力，适用于不同类型的图像和视频。
  • 实时性：特别优化的算法使得实时目标检测成为可能，无论是在视频还是摄像头实时检测中，响应速度都非常快。
  • 批量处理：支持高效的批量图像和视频处理，适合大规模数据分析。

三、数据集介绍

数据集概述

本数据集是专为扑克牌识别任务构建的大规模图像集合，共包含24,233张高质量扑克牌图像，涵盖52种标准扑克牌的所有组合。数据集按照8.5:1:0.5的比例划分为训练集（21,203张）、验证集（2,020张）和测试集（1,010张），确保模型训练的科学性和评估的可靠性。

数据集特点

  1. 多样性丰富：

    • 包含不同光照条件（自然光、室内灯光、强光、弱光等）

    • 多种背景环境（纯色背景、木质桌面、布料、复杂场景等）

    • 不同摆放方式（平铺、叠放、部分遮挡、弯曲变形等）

    • 多种视角（正视角、斜视角、俯视角等）

  2. 标注精确：

    • 每张扑克牌都使用矩形框精确标注

    • 标注信息包括52种类别（如'10C'代表梅花10，'AH'代表红心A等）

    • 标注经过三重校验，确保准确性

  3. 平衡性良好：

    • 每类扑克牌样本数量基本均衡

    • 训练集、验证集和测试集的数据分布一致

数据集配置文件

数据集采用YOLO格式组织，配置文件包含以下关键内容：

train: F:\扑克牌识别检测数据集\train\images
val: F:\扑克牌识别检测数据集\valid\images
test: F:\扑克牌识别检测数据集\test\images

nc: 52
names: ['10C', '10D', '10H', '10S', '2C', '2D', '2H', '2S', '3C', '3D', '3H', '3S', '4C', '4D', '4H', '4S', '5C', '5D', '5H', '5S', '6C', '6D', '6H', '6S', '7C', '7D', '7H', '7S', '8C', '8D', '8H', '8S', '9C', '9D', '9H', '9S', 'AC', 'AD', 'AH', 'AS', 'JC', 'JD', 'JH', 'JS', 'KC', 'KD', 'KH', 'KS', 'QC', 'QD', 'QH', 'QS']

数据集制作流程

  1. 数据采集：

    • 使用10部不同型号的手机和相机（iPhone 12/13、华为Mate40、佳能EOS R等）采集原始图像

    • 在不同光照条件和背景下拍摄

    • 包含单人持牌、多人持牌、桌面摆放等多种场景

  2. 数据清洗：

    • 去除模糊、过暗/过曝、严重畸变的图像

    • 检查并删除标注错误的样本

    • 平衡各类别的样本数量

  3. 数据标注：

    • 使用LabelImg工具进行人工标注

    • 标注要求：框体紧贴扑克牌边缘，不包含多余背景

    • 每张图像由3人分别标注后进行交叉验证

  4. 数据增强：

    • 应用随机旋转

    • 亮度/对比度调整

    • 添加高斯噪声

    • 模拟运动模糊

    • 透视变换

  5. 数据集划分：

    • 按场景、设备、光照等条件分层抽样

    • 确保训练集、验证集和测试集的数据分布一致

    • 避免相同扑克牌出现在不同子集中

  6. 格式转换：

    • 将标注转换为YOLO格式（归一化坐标）

    • 生成对应的索引文件

    • 验证标注文件与图像的对应关系

四、项目环境配置

创建虚拟环境

首先新建一个Anaconda环境，每个项目用不同的环境，这样项目中所用的依赖包互不干扰。

终端输入

conda create -n yolov10 python==3.9

激活虚拟环境

conda activate yolov10
 

安装cpu版本pytorch

pip install torch torchvision torchaudio

pycharm中配置anaconda

安装所需要库

pip install -r requirements.txt

五、模型训练

训练代码

from ultralytics import YOLOv10

model_path = 'yolov10s.pt'
data_path = 'datasets/data.yaml'

if __name__ == '__main__':
    model = YOLOv10(model_path)
    results = model.train(data=data_path,
                          epochs=500,
                          batch=64,
                          device='0',
                          workers=0,
                          project='runs/detect',
                          name='exp',
                          )
根据实际情况更换模型
yolov10n.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
yolov10s.yaml (small)：小模型，适合实时任务。
yolov10m.yaml (medium)：中等大小模型，兼顾速度和精度。
yolov10b.yaml (base)：基本版模型，适合大部分应用场景。
yolov10l.yaml (large)：大型模型，适合对精度要求高的任务。
  • --batch 64：每批次64张图像。
  • --epochs 500：训练500轮。
  • --datasets/data.yaml：数据集配置文件。
  • --weights yolov10s.pt：初始化模型权重，yolov10s.pt 是预训练的轻量级YOLO模型。

训练结果

六、核心代码

import sys
 
import cv2
import numpy as np
from PyQt5.QtWidgets import QApplication, QMessageBox, QFileDialog
from PyQt5.QtCore import QThread, pyqtSignal
from ultralytics import YOLOv10
from UiMain import UiMainWindow
import time
import os
 
 
class DetectionThread(QThread):
    frame_received = pyqtSignal(np.ndarray, np.ndarray, list)  # 原始帧, 检测帧, 检测结果
    finished_signal = pyqtSignal()  # 线程完成信号
 
    def __init__(self, model, source, conf, iou, parent=None):
        super().__init__(parent)
        self.model = model
        self.source = source
        self.conf = conf
        self.iou = iou
        self.running = True
 
    def run(self):
        try:
            if isinstance(self.source, int) or self.source.endswith(('.mp4', '.avi', '.mov')):  # 视频或摄像头
                cap = cv2.VideoCapture(self.source)
                while self.running and cap.isOpened():
                    ret, frame = cap.read()
                    if not ret:
                        break
 
                    # 保存原始帧
                    original_frame = frame.copy()
 
                    # 检测
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()
 
                    # 提取检测结果
                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))
 
                    # 发送信号
                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )
 
                    # 控制帧率
                    time.sleep(0.03)  # 约30fps
 
                cap.release()
            else:  # 图片
                frame = cv2.imread(self.source)
                if frame is not None:
                    original_frame = frame.copy()
                    results = self.model(frame, conf=self.conf, iou=self.iou)
                    annotated_frame = results[0].plot()
 
                    # 提取检测结果
                    detections = []
                    for result in results:
                        for box in result.boxes:
                            class_id = int(box.cls)
                            class_name = self.model.names[class_id]
                            confidence = float(box.conf)
                            x, y, w, h = box.xywh[0].tolist()
                            detections.append((class_name, confidence, x, y))
 
                    self.frame_received.emit(
                        cv2.cvtColor(original_frame, cv2.COLOR_BGR2RGB),
                        cv2.cvtColor(annotated_frame, cv2.COLOR_BGR2RGB),
                        detections
                    )
 
        except Exception as e:
            print(f"Detection error: {e}")
        finally:
            self.finished_signal.emit()
 
    def stop(self):
        self.running = False
 
 
class MainWindow(UiMainWindow):
    def __init__(self):
        super().__init__()
 
        # 初始化模型
        self.model = None
        self.detection_thread = None
        self.current_image = None
        self.current_result = None
        self.video_writer = None
        self.is_camera_running = False
        self.is_video_running = False
        self.last_detection_result = None  # 新增：保存最后一次检测结果
 
        # 连接按钮信号
        self.image_btn.clicked.connect(self.detect_image)
        self.video_btn.clicked.connect(self.detect_video)
        self.camera_btn.clicked.connect(self.detect_camera)
        self.stop_btn.clicked.connect(self.stop_detection)
        self.save_btn.clicked.connect(self.save_result)
 
        # 初始化模型
        self.load_model()
 
    def load_model(self):
        try:
            model_name = self.model_combo.currentText()
            self.model = YOLOv10(f"{model_name}.pt")  # 自动下载或加载本地模型
            self.update_status(f"模型 {model_name} 加载成功")
        except Exception as e:
            QMessageBox.critical(self, "错误", f"模型加载失败: {str(e)}")
            self.update_status("模型加载失败")
 
    def detect_image(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return
 
        file_path, _ = QFileDialog.getOpenFileName(
            self, "选择图片", "", "图片文件 (*.jpg *.jpeg *.png *.bmp)")
 
        if file_path:
            self.clear_results()
            self.current_image = cv2.imread(file_path)
            self.current_image = cv2.cvtColor(self.current_image, cv2.COLOR_BGR2RGB)
            self.display_image(self.original_image_label, self.current_image)
 
            # 创建检测线程
            conf = self.confidence_spinbox.value()
            iou = self.iou_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.finished_signal.connect(self.on_detection_finished)
            self.detection_thread.start()
 
            self.update_status(f"正在检测图片: {os.path.basename(file_path)}")
 
    def detect_video(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return
 
        file_path, _ = QFileDialog.getOpenFileName(
            self, "选择视频", "", "视频文件 (*.mp4 *.avi *.mov)")
 
        if file_path:
            self.clear_results()
            self.is_video_running = True
 
            # 初始化视频写入器
            cap = cv2.VideoCapture(file_path)
            frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
            frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
            fps = cap.get(cv2.CAP_PROP_FPS)
            cap.release()
 
            # 创建保存路径
            save_dir = "results"
            os.makedirs(save_dir, exist_ok=True)
            timestamp = time.strftime("%Y%m%d_%H%M%S")
            save_path = os.path.join(save_dir, f"result_{timestamp}.mp4")
 
            fourcc = cv2.VideoWriter_fourcc(*'mp4v')
            self.video_writer = cv2.VideoWriter(save_path, fourcc, fps, (frame_width, frame_height))
 
            # 创建检测线程
            conf = self.confidence_spinbox.value()
            iou = self.iou_spinbox.value()
            self.detection_thread = DetectionThread(self.model, file_path, conf, iou)
            self.detection_thread.frame_received.connect(self.on_frame_received)
            self.detection_thread.finished_signal.connect(self.on_detection_finished)
            self.detection_thread.start()
 
            self.update_status(f"正在检测视频: {os.path.basename(file_path)}")
 
    def detect_camera(self):
        if self.detection_thread and self.detection_thread.isRunning():
            QMessageBox.warning(self, "警告", "请先停止当前检测任务")
            return
 
        self.clear_results()
        self.is_camera_running = True
 
        # 创建检测线程 (默认使用摄像头0)
        conf = self.confidence_spinbox.value()
        iou = self.iou_spinbox.value()
        self.detection_thread = DetectionThread(self.model, 0, conf, iou)
        self.detection_thread.frame_received.connect(self.on_frame_received)
        self.detection_thread.finished_signal.connect(self.on_detection_finished)
        self.detection_thread.start()
 
        self.update_status("正在从摄像头检测...")
 
    def stop_detection(self):
        if self.detection_thread and self.detection_thread.isRunning():
            self.detection_thread.stop()
            self.detection_thread.quit()
            self.detection_thread.wait()
 
        if self.video_writer:
            self.video_writer.release()
            self.video_writer = None
 
        self.is_camera_running = False
        self.is_video_running = False
        self.update_status("检测已停止")
 
    def on_frame_received(self, original_frame, result_frame, detections):
        # 更新原始图像和结果图像
        self.display_image(self.original_image_label, original_frame)
        self.display_image(self.result_image_label, result_frame)
 
        # 保存当前结果帧用于后续保存
        self.last_detection_result = result_frame  # 新增：保存检测结果
 
        # 更新表格
        self.clear_results()
        for class_name, confidence, x, y in detections:
            self.add_detection_result(class_name, confidence, x, y)
 
        # 保存视频帧
        if self.video_writer:
            self.video_writer.write(cv2.cvtColor(result_frame, cv2.COLOR_RGB2BGR))
 
    def on_detection_finished(self):
        if self.video_writer:
            self.video_writer.release()
            self.video_writer = None
            self.update_status("视频检测完成，结果已保存")
        elif self.is_camera_running:
            self.update_status("摄像头检测已停止")
        else:
            self.update_status("图片检测完成")
 
    def save_result(self):
        if not hasattr(self, 'last_detection_result') or self.last_detection_result is None:
            QMessageBox.warning(self, "警告", "没有可保存的检测结果")
            return
 
        save_dir = "results"
        os.makedirs(save_dir, exist_ok=True)
        timestamp = time.strftime("%Y%m%d_%H%M%S")
 
        if self.is_camera_running or self.is_video_running:
            # 保存当前帧为图片
            save_path = os.path.join(save_dir, f"snapshot_{timestamp}.jpg")
            cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR))
            self.update_status(f"截图已保存: {save_path}")
        else:
            # 保存图片检测结果
            save_path = os.path.join(save_dir, f"result_{timestamp}.jpg")
            cv2.imwrite(save_path, cv2.cvtColor(self.last_detection_result, cv2.COLOR_RGB2BGR))
            self.update_status(f"检测结果已保存: {save_path}")
 
    def closeEvent(self, event):
        self.stop_detection()
        event.accept()
 
 
if __name__ == "__main__":
    app = QApplication(sys.argv)
 
    # 设置应用程序样式
    app.setStyle("Fusion")
 
    # 创建并显示主窗口
    window = MainWindow()
    window.show()
 
    sys.exit(app.exec_())

七、项目源码（视频下方简介内）

        完整全部资源文件（包括测试图片、视频，py文件，训练数据集、训练代码、界面代码等），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：

基于深度学习YOLOv10的扑克牌识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）_哔哩哔哩_bilibili

基于深度学习YOLOv10的扑克牌识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

 

基于深度学习的扑克牌识别软件：YOLOv10+UI界面+数据集
m0_52343631的博客
03-28 270
本文介绍了基于YOLOv10深度学习模型的扑克牌识别系统的实现过程。通过构建数据集、训练YOLOv10模型、设计UI界面等多个步骤，我们成功实现了一个可供实时使用的扑克牌识别系统。随着深度学习技术的不断发展，未来我们可以进一步优化识别精度，增加多种扑克牌的样式和更多的场景适应能力。对于工业化应用，可以考虑将该系统部署到自动化检牌系统中，提升扑克牌游戏或交易系统的效率。
基于深度学习YOLOv8的扑克牌识别软件（Python+PySide6界面+训练代码）
sybh的博客
02-19 235
YOLOv8是YOLO系列中的最新版本，继承了YOLO家族的高效、快速和准确的优点。它通过统一的神经网络结构，在目标检测中实现了显著的性能提升。YOLOv8不仅提升了精度，还加强了在复杂场景下的鲁棒性，使其成为实时视频流检测的理想选择。通过本文的介绍，我们展示了如何基于YOLOv8实现扑克牌识别系统。从数据集准备、模型训练到UI界面开发，我们详细地讲解了每个步骤，并提供了完整的代码示例。这个系统不仅适用于扑克牌识别，也可以扩展到其他类似的目标检测任务。
基于深度学习YOLOv8的扑克牌识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）
sybh的博客
05-20 660
本项目基于先进的YOLOv8目标检测算法，开发了一套高精度的扑克牌识别检测系统。系统能够实时识别和定位图像或视频流中的扑克牌，准确区分52种不同的扑克牌类别（包括从A到10以及J、Q、K四种花色的所有组合）。项目使用了大规模的自建数据集，包含训练集21,203张图像、验证集2,020张图像和测试集1,010张图像，确保了模型的泛化能力和鲁棒性。该技术可广泛应用于赌场监控、智能发牌系统、扑克游戏开发、魔术辅助训练等多个领域，为传统纸牌游戏和娱乐产业带来智能化革新。
基于yolov11的扑克牌识别检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
FL1623863129的博客
03-23 921
在智能纸牌游戏中，系统能够自动识别玩家手中的牌，实现自动计分、判断胜负等功能，提高游戏的趣味性和效率。YOLO11是YOLO系列模型的一个版本，它在前代基础上做了许多改进，包括但不限于更高效的训练流程和更高的精度。YOLOv11是YOLO系列的最新版本，相比之前的版本，它在检测精度、速度和适用性上都有所提升。这里，data参数指向你的数据配置文件，model参数指定使用的模型架构，epochs设置训练轮次，imgsz设置输入图像的大小。在目标检测任务中，评估模型的性能是至关重要的。
基于深度学习的扑克牌识别软件：YOLOv8 + UI界面实现
m0_52343631的博客
03-20 403
扑克牌识别的目标是准确地检测图像中的扑克牌，并识别每一张牌的数字和花色。传统的方法往往依赖于模板匹配或者颜色特征提取，但这些方法在复杂背景下表现不佳。深度学习方法，特别是基于目标检测的YOLO模型，能够在各种环境下准确识别扑克牌。我们将利用YOLOv8进行训练和检测，开发一个实时的扑克牌识别软件。本文介绍了如何利用YOLOv8模型和PyQt5开发一个基于深度学习的扑克牌识别软件。我们详细讲解了数据集准备、YOLOv8模型训练、UI界面设计及系统集成的各个步骤。
基于YOLOv5深度学习的扑克牌识别软件：UI界面 + YOLOv5 + 数据集详细教程
m0_52343631的博客
10-15 621
本文将详细介绍如何基于YOLOv5构建一个扑克牌识别软件，涵盖数据集准备、模型训练、实时识别的实现以及用户界面的设计，旨在为相关研究和应用提供参考。本文详细介绍了如何基于YOLOv5构建扑克牌识别软件的全过程，包括数据集准备、模型训练、实时识别和用户界面设计等方面。为了标注扑克牌图像，可以使用开源工具如LabelImg或Roboflow等工具，标注时注意选择合适的框架，以确保标注的准确性。在实时识别中，检测到的扑克牌将用边框标记，并显示相应的类别信息。在开始训练之前，确保安装YOLOv5所需的依赖包。
基于深度学习的扑克牌识别系统（UI界面 + YOLOv8/v7/v6/v5代码 + 训练数据集）
m0_52343631的博客
03-24 353
YOLO（You Only Look Once）系列模型因其实时性和高精度的特性，成为扑克牌识别的理想选择。扑克牌识别在娱乐、游戏和赌博行业中有着广泛的应用。许多扑克牌游戏需要识别和处理大量的牌面信息，涉及到模式识别、图像处理和实时交互等技术。通过实验结果表明，YOLOv8在检测速度和精度方面表现最佳，适合应用于实时扑克牌识别场景。✅ 基于YOLO系列模型的扑克牌识别系统能够实时、高效地检测和分类扑克牌。✅ 系统可扩展性强，能够适应不同类型的扑克牌数据集。✅ 输出扑克牌的类型、花色和位置信息；
智能扑克牌识别软件（Python+YOLOv5深度学习模型+清新界面）
热门推荐
思绪无限的博客
03-22 1万+
智能扑克牌识别软件利用视觉方法检测和识别日常扑克牌具体花色与数字，快速识别牌型并标注结果，帮助计算机完成扑克牌对战的前期识别步骤。本文详细介绍基于深度学习的智能扑克牌识别软件，在介绍算法原理的同时，给出Python的实现代码、训练数据集，以及PyQt的UI界面。基于YOLOv5对图像中存在的多目标进行识别分类，在界面中可以选择各种图片、视频进行检测识别；博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。
基于深度学习的高精度扑克牌检测识别系统（PyTorch+Pyside6+YOLOv5模型）
sc1434404661的博客
06-27 2361
近年来，机器学习和深度学习取得了较大的发展，深度学习方法在检测精度和速度方面与传统方法相比表现出更良好的性能。YOLOv5是单阶段目标检测算法YOLO的第五代，根据实验得出结论，其在速度与准确性能方面都有了明显提升，开源的代码可见https://github.com/ultralytics/yolov5。因此本博文利用YOLOv5检测算法实现一种高精度扑克牌识别检测模型，再搭配上Pyside6库写出界面系统，完成目标检测识别页面的开发。
深度学习之用CelebA_Spoof数据集搭建一个活体检测-用MNN来推理时候如何利用Conan对软件包进行管理
ak47maker的博客
05-20 1046
本文介绍了使用Conan作为C/C++包管理器来管理项目依赖的详细步骤。Conan是一个专为C/C++设计的去中心化包管理器，支持多平台和交叉编译，能够自动下载和编译所需的库文件，简化了依赖管理的过程。文章首先提到了在深度学习项目中如何使用MNN进行模型推理，并指出Conan在编译和依赖管理中的重要性。接着，详细说明了如何安装和配置Conan，并展示了项目结构中的关键配置文件conanfile.txt和CMakeLists.txt。conanfile.txt用于声明项目依赖的第三方库及版本，配置构建选项和生
计算机视觉与深度学习 ｜ Python实现CEEMDAN-ABC-VMD-DBO-CNN-LSTM时间序列预测（完整源码和数据)
尘世冰封的专栏
05-21 388
以下是一个结合CEEMDAN、ABC优化VMD、DBO优化CNN-LSTM的完整时间序列预测实现方案。该方案包含完整的数据生成、算法实现和模型构建代码。
DL00987-基于深度学习YOLOv11的红外鸟类目标检测含完整数据集
crasher123的博客
05-21 371
针对科研人员，尤其是研究生们，是否在鸟类目标检测中遇到过数据不够精准、处理困难等问题？现在，我们为你提供一款基于深度学习YOLOv11的。，让你的科研工作更高效、更精准！，帮助你轻松解决这些难题！
31-35【动手学深度学习】深度学习硬件
最新发布
weixin_59251911的博客
05-21 424
本文主要讨论深度学习的硬件基础知识
建一个结合双向长短期记忆网络（BiLSTM）和条件随机场（CRF）的模型
controller_Lw的博客
05-18 476
接下来，我们定义我们的。
循环神经网络（RNN）深度解析
qq_43664407的博客
05-17 688
​​结构本质​​：通过时间步循环传递隐藏状态，建模序列依赖​​核心缺陷​​：基础RNN存在梯度消失/爆炸，需LSTM/GRU优化​​工程价值​​：语音、文本等时序任务的基础架构%20b_h%29%20b_y%29%20b_i%29%20b_f%29%20b_z%29%20b_r%29%20b_h%29%20b_y。
长短时记忆网络（LSTM）深度解析
qq_43664407的博客
05-17 735
​​结构创新​​：通过门控机制（遗忘门、输入门、输出门）和细胞状态，解决RNN的长期依赖问题​​数学本质​​：细胞状态的线性更新提供梯度稳定路径​​工程实践​​：需注意梯度裁剪（）防止梯度爆炸​​扩展方向​​：结合注意力机制（如Transformer）进一步提升长序列建模能力%20b_f%29%20b_i%29%20b_C%29%20b_o%291%7D%20b_f%29。
深度学习在移动开发中的应用：实时手势识别实战
Programming Talk
05-20 163
我们将使用TensorFlow Lite框架，结合MediaPipe手势识别解决方案，实现一个能够在主流Android设备上达到60FPS的手势识别应用，并深入探讨其优化技巧和实际应用场景。特别是3D手势识别、双手精细操作等前沿技术的发展，将进一步推动移动端手势识别技术的应用深度和广度。在下一篇文章中，我们将探讨深度学习在移动端的另一个创新应用：实时表情识别，包括如何在资源受限的环境中实现复杂面部表情的实时分析，以及这项技术在情感计算、心理健康等场景中的应用。引言：移动端手势识别的价值与挑战。
深度学习、机器学习及强化学习的联系与区别
关注博文底部公众号，发送标题关键字获取文档。
05-15 872
联系区别机器学习与深度学习机器学习与强化学习深度学习与强化学习
PyTorch深度神经网络（前馈、卷积神经网络）
缘友一世的博客
05-14 1197
PyTorch深度神经网络（前馈、卷积神经网络）
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

人工智能_SYBH

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值