- 博客(35)
- 收藏
- 关注
RSS订阅原创 016=基于yolo11军事车辆检测系统（Python+PySide6界面+训练代码）
本文介绍了从0搭建YOLOv8目标检测系统的完整流程，包含环境配置、数据集准备、模型训练和系统开发。主要内容包括：1) GPU和Python环境配置指南；2) 军用车辆检测数据集介绍（5类共3000张图像）；3) YOLOv8模型原理详解，包括Anchor-Free机制和网络结构优化；4) 训练代码实现(yolo_train.py)和验证代码(yolo_val)；5) 系统演示视频展示。该项目提供完整源码和预训练模型，支持检测、分割等多任务，适用于实时目标检测应用开发。
2026-02-26 09:01:41
627
原创 015=基于yolo11军事飞机检测系统（数据集+PySide6界面+训练代码）
本文介绍了基于YOLOv8的目标检测系统搭建教程，包含环境配置、数据集介绍、模型原理和代码实现。系统使用YOLOv8的Anchor-Free检测机制，支持多类别目标识别，具备高精度和快速推理能力。教程详细说明了GPU环境配置（CUDA验证）、Python依赖安装，并提供了13类军用飞机的数据集示例。模型训练和验证代码可直接运行，支持ONNX/TensorRT等格式导出。项目适用于实时检测任务，包含完整的界面开发源码，方便二次开发与应用部署。
2026-02-26 08:53:12
615
原创 014=基于yolo26与paddleOCR的银行卡号检测与识别系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLO26的目标检测系统开发全流程。首先详细说明了GPU环境配置和Python依赖安装步骤，包括CUDA验证、PyTorch安装等。其次展示了银行卡检测数据集的结构和样本分布。系统采用YOLOv26模型，文章还提供了完整的训练代码模板和验证方法，支持多任务场景，并附带演示视频展示系统效果。该系统具备轻量化、低延迟等特点，适合边缘设备部署。
2026-02-25 22:02:57
639
原创 013=基于yolo12的肠息肉检测系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLOv8的目标检测系统开发全流程。首先详细说明了GPU和Python环境的配置方法，包括CUDA验证、PyTorch安装等关键步骤。其次展示了息肉检测数据集，包含4368张训练图像和1092张验证图像。在模型原理部分，重点讲解了YOLOv12的创新架构，包括区域注意力机制和R-ELAN模块等核心改进。最后提供了完整的训练和验证代码实现，支持多任务检测与边缘设备部署。该系统具有高效轻量的特点，适合医疗图像分析等实际应用场景。
2026-02-25 21:44:15
633
1
原创 012=基于yolo11的visdrone2019检测系统（Python+PySide6界面+训练代码）
摘要：本文介绍了基于YOLOv8的安全帽检测系统开发全流程。首先详细说明了GPU和Python环境配置方法，包括CUDA验证、torch安装等关键步骤。其次展示了包含6471张图像的数据集，分为佩戴/未佩戴安全帽两类。系统采用最新的YOLOv12模型，其创新性地引入区域注意力机制和R-ELAN模块，在保持轻量化的同时提升检测精度。文章提供了完整的训练代码模板，并支持多任务扩展。最后展示了系统演示视频，验证了该方案在工业场景中的实用价值。项目配套资源包含预训练模型和虚拟环境配置，便于开发者快速复现。
2025-10-22 21:42:48
472
原创 011=基于YOLO12电动车进电梯检测与警告系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLO12的目标检测系统开发全流程。首先详细说明了GPU和Python环境配置方法，包括CUDA安装验证、PyTorch和必要依赖库的安装。其次展示了包含自行车、电动车和行人三类目标的数据集，提供训练集、验证集和测试集的划分情况。然后介绍了YOLOv12模型的创新特性，包括区域注意力机制和R-ELAN网络结构等核心改进。最后提供了训练和验证代码模板，支持从模型训练到效果评估的完整开发流程。该系统可实现高效目标检测，适用于多种实际应用场景。
2025-09-14 21:12:32
1074
1
原创 010=基于yolo12安全帽检测系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLOv12的目标检测系统开发全流程。首先详细说明了GPU和Python环境的配置步骤，包括CUDA验证、torch安装及常见问题处理。其次展示了安全帽检测数据集，包含6225张训练图像和1557张验证图像。文章重点解析了YOLOv12的创新架构，包括区域注意力机制、R-ELAN模块和多任务支持能力等核心技术。最后提供了完整的训练和验证代码实现，支持从模型训练到性能评估的全过程。该系统具有轻量化、高效率的特点，适用于边缘设备部署，可用于安全帽佩戴检测等工业场景。
2025-09-13 19:51:33
1050
原创 009=基于YOLO12与PaddleOCR的车牌识别系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLO12的目标检测系统开发全流程。首先详细说明了GPU与Python环境配置步骤，包括CUDA验证、Torch安装等关键环节。其次展示了新能源汽车/燃油车数据集，包含856张训练图像和245张验证图像。系统演示部分提供了功能展示视频，模型原理章节深入解析了YOLOv12的核心创新点，包括区域注意力机制和R-ELAN网络结构。最后给出训练代码示例，涵盖参数设置、优化器选择等关键实现细节。整个项目从环境搭建到模型训练形成完整闭环，适合计算机视觉开发者参考实践。
2025-09-01 22:15:27
1021
原创 008=基于yolo12跌倒检测系统（Python+PySide6界面+训练代码）
摘要 本文介绍了基于YOLOv12的目标检测系统构建全流程，包含环境配置、数据集准备、模型训练与验证的完整实现方案。系统采用跌倒检测应用场景，提供6225张训练图像和1557张验证图像。关键技术点包括：1）区域注意力机制提升检测精度；2）R-ELAN网络优化特征融合；3）多任务支持架构。文章详细说明了GPU环境配置（CUDA验证、torch安装）、Python依赖项部署，并提供了完整的训练代码模板（支持多参数配置）和验证代码框架。该系统兼容边缘设备部署，在RTX3080上推理延迟仅4.1ms，支持目标检测、
2025-08-11 21:36:36
746
原创 007=基于yolo12车牌检测系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLOv8的新能源与燃油汽车检测系统开发全流程。首先详细说明了GPU环境配置和Python依赖库安装方法，包括CUDA验证、torch安装及常见问题解决（如numpy版本冲突）。其次展示数据集构成（856张训练图+245张验证图），包含新能源汽车和燃油车两类目标。系统演示视频展示了检测效果，并提供了完整的训练代码(yolo_train.py)和验证代码(yolo_val.py)实现，支持多参数配置和模型续训功能。关键技术部分阐述了YOLOv12的核心改进：区域注意力机制和残差效率层聚合网络(
2025-08-06 20:49:13
1140
原创 006=基于yolo11乳腺癌检测系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLOv8目标检测系统的完整实现流程。首先详细说明了GPU和Python环境配置方法，包括CUDA验证、PyTorch安装及依赖项配置。数据集部分展示了一个包含5536张训练图像和1385张验证图像的医学影像数据集，用于良恶性肿瘤分类。系统采用YOLOv8架构，相比前代优化了Backbone、Neck和Head结构，采用Anchor-Free检测机制提升小目标识别率。文章提供了训练代码(yolo_train.py)和验证代码(yolo_val.py)的实现，支持多GPU训练和多种评估指标。最
2025-08-04 20:39:30
748
原创 005=基于yolov8无人机影像车辆检测系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLOv8的目标检测系统开发全流程，包含环境配置、数据集准备、模型原理及代码实现。首先详细说明了GPU和Python环境配置步骤，包括CUDA验证、torch安装等。然后介绍了包含1283张训练图像的数据集，展示了两类车辆检测样本。文章重点解析了YOLOv8的网络结构、Anchor-Free检测机制及训练优化策略，并提供了完整的训练和验证代码实现。最后附有系统演示视频，展示了YOLOv8在目标检测任务中的实际应用效果。该系统支持多种部署方式，适用于实时检测任务。
2025-08-04 16:36:30
781
原创 从0搭建YOLO目标检测系统：实战项目+完整流程+界面开发（附源码）
《实战教程：基于YOLO的完整目标检测系统开发》专栏针对AI领域开发者面临的数据处理、模型训练与部署等痛点，系统讲解从零构建可落地的检测系统。以YOLO系列为主线，涵盖数据准备、模型优化、效果评估及GUI界面开发全流程，并提供柑橘检测、舰船检测等实际案例（含数据集和源码）。通过Pyside6界面实现可视化交互，帮助开发者快速掌握工业级检测系统的开发与部署技巧，适用于安防、医疗、自动驾驶等多个应用场景。
2025-08-04 14:50:21
2428
原创 004=基于yolov8无人机影像光伏板缺陷检测系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLOv8的目标检测系统开发全流程。首先详细说明了环境配置方法，包括GPU驱动、Python依赖库安装等。接着展示了柑橘检测数据集的结构和样本。系统采用YOLOv8网络架构，使用Anchor-Free检测机制，融合FPN和PAN特征提取技术，支持多任务检测。文章提供了完整的训练代码和验证代码实现，并附带演示视频展示系统效果。该项目可作为计算机视觉入门实践案例，适用于目标检测、图像识别等AI应用开发。
2025-08-03 16:17:04
1182
原创 003=基于yolo11人脸检测系统（PySide6界面+数据集+训练代码）
摘要 本文介绍了基于YOLOv8的目标检测系统实现方法，包含环境配置、数据集介绍、系统演示和模型原理。环境配置部分详细说明了GPU和Python环境设置步骤，包括CUDA验证、torch安装等。数据集包含12876张训练图像和3226张验证图像。系统演示展示了柑橘检测的实际效果。模型原理方面，YOLOv8采用Anchor-Free检测机制和三段式网络结构，在精度和效率上均有提升。最后提供了训练、验证和推理的代码实现示例，支持GPU加速和不同任务配置。该系统适用于实时检测任务，并支持多种导出格式。
2025-07-27 17:59:27
571
原创 000=基于yolo通用目标检测系统（手把手教你修改成为自己的检测系统）
本文介绍了基于YOLOv8的目标检测系统环境配置与自定义修改方法。主要内容包括：1）GPU环境配置（CUDA安装验证）和Python环境搭建（torch、ultralytics等关键库安装）；2）系统个性化定制指导，涵盖图标替换（通过AI生成新图标）和界面标题修改（直接代码修改或使用Qt Designer）；3）YOLOv8模型原理分析，重点讲解其Anchor-Free检测机制、网络结构优化及训练策略改进；4）提供完整的训练代码（yolo_train.py）和验证代码（yolo_val.py）实现方案，支持
2025-07-27 16:49:08
977
原创 002=基于yolov8舰船检测系统（PySide6界面+数据集+训练代码）
数据集信息如下：数据集图像数量描述训练集436张用于模型训练验证集181张用于调整模型参数测试集444张用于最终效果评估Backbone（骨干网络）+ Neck（特征金字塔）+ Head（预测头）Backbone：以轻量级 CSPDarknet 为基础，具备强大的特征提取能力。Neck：融合了 FPN（特征金字塔网络）和 PAN（路径聚合网络），实现多尺度特征融合，有助于检测不同大小的目标。Head：YOLOv8 采用Anchor-Free（无锚框）机制。
2025-07-26 18:48:18
180
原创 001=基于yolov8柑橘检测系统（Python+PySide6界面+训练代码）
本文介绍了基于YOLOv8的柑橘检测系统实现方法。主要内容包括：1) 环境配置指南，涵盖GPU(CUDA)和Python(torch/ultralytics)环境安装；2) 数据集介绍，包含2913张训练图像和971张验证/测试图像；3) YOLOv8模型原理，重点说明其Anchor-Free检测机制和多尺度特征融合的网络结构优势；4) 代码实现部分，提供训练、验证和推理的完整Python脚本示例。该系统通过优化后的YOLOv8算法实现高效柑橘检测，适用于农业自动化应用场景。
2025-06-30 21:29:04
1357
原创 基于FastAPI+YOLO的乳腺癌检测系统前后端实战（附完整源码）
该项目是一个基于FastAPI的后端应用，主要用于图像上传和YOLO模型推理。项目功能包括图像上传、YOLO模型推理及返回检测结果，适合深度学习初学者、医疗AI开发者及FastAPI/YOLO技术栈学习者。后端目录结构包含主文件、启动脚本、预测脚本、依赖文件及存储文件夹，前端目录结构包括视图组件、API请求代码及路由配置。环境依赖包括Node.js（建议版本20.x或更高）和Python（建议版本3.8或更高）。后端功能接口包括图像上传和YOLO推理，分别通过POST方法实现。项目启动后可通过指定URL访问
2025-05-22 08:51:11
358
原创 手把手教你用Grad-CAM可视化医学3D影像
手把手教你用Grad-CAM可视化医学3D影像，Grad-CAM 是一种基于梯度的类激活映射技术，通过计算目标类别对特征图的梯度，生成热力图来显示模型关注的区域，
2025-01-31 20:14:37
2804
1
原创 笔记03----NeurIPS2024 涨点!SSA:用于语义分割的语义和空间自适应像素级分类器(即插即用)
NeurIPS2024 涨点!SSA:用于语义分割的语义和空间自适应像素级分类器(即插即用)
2024-12-08 15:15:02
1573
原创 笔记02----重新思考轻量化视觉Transformer中的局部感知CloFormer（即插即用）
为了同时利用共享权重和上下文感知权重的优势，CloFormer引入了一种名为AttnConv的卷积算子，它采用注意力机制，充分利用共享权重和上下文感知权重的优势来实现局部感知。此外，它使用了一种新方法，该方法结合了比普通局部自注意力更强的非线性来生成上下文感知权重。在CloFormer中，采用双分支架构，其中一个分支使用AttnConv捕获高频信息，而另一个分支使用带有下采样的普通注意力捕获低频信息。双分支结构使CloFormer能够同时捕获高频和低频信息。
2024-11-18 16:10:06
1802
原创 笔记01----Transformer高效语义分割解码器模块DEPICT（即插即用）
当前的 Transformer-based 方法解码器（decoder）的设计更多是基于经验，缺乏理论解释。该论文将语义分割任务建模为“从主空间到子空间的信息压缩”问题，强调从高维图像特征中提取类别相关的紧凑表示。提出 DEPICT 解码器：基于 自注意力（MSSA） 和 交叉注意力（MSCA） 设计简单高效的解码器;MSSA模块 构建主子空间，去除冗余，优化图像特征。MSCA模块 动态提取类别相关特征，生成类别嵌入的低维表示。
2024-11-17 22:11:19
1493
原创 BP神经网络训练自己的数据(Tensorflow2.x版本)
BP神经网络训练自己的数据集，将鸢尾花数据集版存在本地充当自己数据集，进行预测。
2022-10-02 09:40:13
2023
2
原创 VS 2019配置QT和Opencv调用DNN模块进行图像分类
初步将VS 2019、Opencv、QT和深度学习联系在一起，对遥感图像进行分类。
2022-08-11 21:11:30
1625
3
原创 Matlab计算波形的总谐波失真--THD（附完整代码）
一、代码废话少说，直接上代码：%author:Meng%date:2020/10/10%mane:THD calculateclc;clear;pathname = 'F:\diansai\THD_test\test\123.txt';data=load(pathname); %读取数据为txt文件格式波形文件为ADC采集数字量x = data;Fs = 100000; %采样率设置于实际采样率需一样t = 0:1/Fs:1;
2021-06-25 23:33:03
19299
12
这篇文章是《JAVA高频面试题合集.pdf》的技术内容概述，涵盖Java编程语言的多个核心主题和技术细节，主要用于Java开发者的面试准备 以下是文章的主要内容总结：
2025-04-28
笔记02-重新思考轻量化视觉Transformer中的局部感知CloFormer（即插即用）
2024-11-18
基于Opencv-python人脸口罩检测
2022-12-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人