m0_74241524-CSDN博客

原创【天线＆活力】红外下热故障检测系统源码＆数据集全套：改进yolo11-ContextGuidedDown

本项目数据集信息介绍本项目所使用的数据集名为“thermal-dataset”，专门用于训练和改进YOLOv11模型，以实现红外下的热故障检测系统。该数据集的设计旨在为机器学习算法提供丰富的热成像数据，以便更准确地识别和分类设备故障。数据集中包含一个类别，即“Fault”，这表明该数据集专注于检测与设备故障相关的热异常现象。“thermal-dataset”中的数据样本均为红外热成像图像，这些图像捕捉了在不同工作条件下设备的热分布情况。

2024-11-04 11:04:05 569

原创【运动的＆足球】足球场上球检测系统源码＆数据集全套：改进yolo11-DGCST

本项目数据集信息介绍本项目所使用的数据集名为“soccer data”，旨在为改进YOLOv11的足球场上球检测系统提供高质量的训练数据。该数据集专注于足球比赛中的关键元素，特别是与球的状态相关的检测任务。数据集中包含三种类别，分别为“has_ball”（有球）、“no_ball”（无球）以及一个占位符类别“-”，用于标识未定义或不相关的图像区域。这种分类方式使得模型能够在复杂的比赛场景中有效地区分球的存在与否，从而提高检测的准确性和实时性。

2024-11-03 16:58:42 1019

原创【零售和消费品＆存货】价格标签检测系统源码＆数据集全套：改进yolo11-RFAConv

本项目数据集信息介绍本项目所使用的数据集名为“pricetag”，旨在为改进YOLOv11的价格标签检测系统提供强有力的支持。该数据集专注于价格标签的各个组成部分，涵盖了四个主要类别，分别是条形码（barcode）、商品名称（name）、零钱（pennies）和价格（price）。这些类别的选择反映了价格标签的基本构成，能够有效地帮助模型学习和识别价格标签的各个要素。数据集中的条形码类别包含了多种不同风格和格式的条形码图像，确保模型能够适应各种实际应用场景。

2024-11-02 14:25:50 1184

原创【生物学＆水族馆】观赏淡水鱼检测系统源码＆数据集全套：改进yolo11-dysample

本项目数据集信息介绍本项目旨在改进YOLOv11的观赏淡水鱼检测系统，所使用的数据集名为“Ornamental Freshwater Fish”。

2024-11-02 10:43:27 1041

原创【制造业＆盒子】食品物品检测系统源码＆数据集全套：改进yolo11-MultiSEAMHead

本项目数据集信息介绍本项目所使用的数据集名为“MIS326”，其主要目的是为改进YOLOv11的食品物品检测系统提供高质量的训练数据。该数据集包含38个不同的类别，涵盖了广泛的食品物品，旨在提升模型在实际应用中的识别能力和准确性。具体类别包括常见的水果如苹果、香蕉、葡萄、橙子和西瓜等，以及多种包装食品，如袋装面条、盒装饼干、罐装饮料等。此外，数据集中还包含一些特定的食品项目，如蛋卷、火龙果和各种口味的零食，确保模型能够适应多样化的食品种类。

2024-11-01 13:41:18 1020

原创【天线＆空中农业】蜜蜂检测系统源码＆数据集全套：改进yolo11-ASF

本项目数据集信息介绍本项目旨在改进YOLOv11的蜜蜂检测系统，所使用的数据集名为“Honey Bee Detection Model”。该数据集专门针对蜜蜂及其相关种类进行标注，具有丰富的多样性和高质量的图像数据，适合用于深度学习模型的训练与评估。数据集中包含四个主要类别，分别为“bee”（工蜂）、“drone”（雄蜂）、“pollenbee”（采花蜂）和“queen”（蜂后）。这些类别的选择不仅反映了蜜蜂群体的基本构成，也为蜜蜂行为和生态研究提供了重要的基础。

2024-10-31 12:35:20 300

原创【运动的＆高尔夫球】高尔夫球检测系统源码＆数据集全套：改进yolo11-CA-HSFPN

本项目数据集信息介绍本项目所使用的数据集名为“Golf Ball Detection”，旨在为改进YOLOv11的高尔夫球检测系统提供必要的训练基础。该数据集专注于高尔夫球的识别与定位，包含了丰富的高尔夫球图像数据，确保了模型在实际应用中的准确性和鲁棒性。数据集中仅包含一个类别，即“golf ball”，这使得模型的训练过程更加专注和高效。通过聚焦于单一类别，研究人员能够深入分析高尔夫球在不同环境、光照和背景下的特征，从而提升检测系统的性能。数据集的构建过程遵循严格的标准，确保了图像的多样性和代表性。

2024-10-30 17:03:47 667

原创【建造＆机械】木材运输车辆检测系统源码＆数据集全套：改进yolo11-GhostHGNetV2

本项目数据集信息介绍本项目所使用的数据集名为“expanded-logging-trucks”，专门用于训练和改进YOLOv11模型，以实现高效的木材运输车辆检测系统。该数据集的设计旨在提供丰富的样本，以增强模型在实际应用中的准确性和鲁棒性。数据集中包含的类别数量为1，主要聚焦于“logging truck”这一特定类型的车辆。通过集中于单一类别，数据集能够提供更为详尽和精准的标注，确保模型在识别木材运输车辆时具备更高的灵敏度和准确性。

2024-10-28 16:06:56 990

原创【零售和消费品＆软件包】快递包装类型检测系统源码＆数据集全套：改进yolo11-HSPAN

本项目数据集信息介绍本项目所使用的数据集名为“Detection_box”，旨在为改进YOLOv11的快递包装类型检测系统提供支持。该数据集专注于快递包装的多样性与复杂性，包含四个主要类别，分别为“Box”、“Box_broken”、“Open_package”和“Package”。这些类别的选择不仅反映了快递行业中常见的包装状态，还涵盖了不同的包装形式，以便于系统能够准确识别和分类各种快递包装情况。在数据集的构建过程中，我们确保了样本的多样性和代表性。

2024-10-27 15:10:50 837

原创【制造业＆PPE】安全帽等施工现场安全防护装备识别图像分割系统源码＆数据集全套：改进yolo11-DRBNCSPELAN

本项目数据集信息介绍本项目所使用的数据集名为“Construction Site”，旨在为改进YOLOv11的安全帽及其他施工现场安全防护装备的识别图像分割系统提供强有力的支持。该数据集专注于施工现场的安全防护装备，包含四个主要类别，分别是“安全帽（helmet）”、“安全背心（vest）”、“未佩戴安全帽（without_helmet）”以及“未佩戴安全背心（without_vest）”。这些类别的划分不仅反映了施工现场的安全管理需求，也为系统的精确识别和分类提供了基础。

2024-10-27 11:32:18 1196

原创玉米生长阶段检测系统源码＆数据集全套：改进yolo11-dysample

本项目数据集信息介绍在本项目中，我们使用的“Capstone Maize Growth”数据集旨在为改进YOLOv11的玉米生长阶段检测系统提供高质量的训练数据。

2024-10-25 10:26:43 1035

原创【制造业＆仓库】快递盒纸箱检测系统源码＆数据集全套：改进yolo11-LAWDS

本项目数据集信息介绍在本项目中，我们使用的数据集名为“Box detection”，其主要目的是为了训练和改进YOLOv11模型，以实现高效的快递盒纸箱检测系统。该数据集专注于单一类别的物体检测，具体类别为“cardboard_box”，这意味着我们将专注于识别和定位纸箱在不同环境和场景中的表现。数据集的设计旨在提供丰富的样本，以确保模型能够在多样化的背景下准确识别纸箱。

2024-10-24 12:00:11 793

原创【天线＆空中农业】损伤苹果检测系统源码＆数据集全套：改进yolo11-fasternet-bifpn

本项目数据集信息介绍本项目所使用的数据集名为“Apple Sorting”，旨在为改进YOLOv11的损伤苹果检测系统提供必要的训练数据。该数据集专注于对损伤苹果的识别与分类，具有重要的实际应用价值，尤其是在农业生产和食品安全领域。数据集中包含的类别数量为1，具体类别为“damaged_apple”，这意味着数据集的主要目标是帮助模型准确识别和检测受损的苹果，以便在后续的自动化分拣过程中进行有效的分类和处理。“Apple Sorting”数据集的构建过程经过精心设计，确保了数据的多样性和代表性。

2024-10-23 13:30:07 654

原创【制造业＆传送带】几何形状检测系统源码＆数据集全套：改进yolo11-DGCST

本项目数据集信息介绍本项目所使用的数据集名为“aline”，旨在为改进YOLOv11的几何形状检测系统提供高质量的训练数据。该数据集包含三种几何形状类别，分别为“Circulo”（圆形）、“Quadrado”（正方形）和“Retangulo”（矩形），总类别数量为三。这些类别的选择不仅涵盖了基本的几何形状，也为算法的训练提供了多样性和挑战性，使得模型能够更好地识别和区分不同形状。“aline”数据集的构建过程经过精心设计，确保了数据的多样性和代表性。

2024-10-23 09:20:48 759

原创【天线＆化学】航拍图油罐检测系统源码＆数据集全套：改进yolo11-EfficientFormerV2

本项目数据集信息介绍本项目所使用的数据集名为“2020 Tanks 360”，旨在为改进YOLOv11的航拍图油罐检测系统提供丰富的训练数据。该数据集包含四个主要类别，分别为AB、DT、FAT和FXT，这些类别涵盖了不同类型的油罐，具有显著的特征差异。通过对这些类别的深入分析和标注，我们能够有效地训练模型，使其在复杂的航拍场景中准确识别和分类油罐。“2020 Tanks 360”数据集的构建基于多种航拍图像，这些图像来源于不同的地理位置和环境条件，确保了数据集的多样性和广泛性。

2024-10-21 14:40:06 834