目标检测标签_AtomGit开源社区

目标检测

跌倒行为目标检测数据集| 5200张 YOLO安防监护数据集

本文介绍了一个专注于跌倒行为检测的YOLO格式数据集，包含5200张高质量标注图像，覆盖居家、病房等多种真实场景。该数据集具有以下特点：1) 多样化的跌倒姿态和场景条件；2) 精准人工标注；3) 适用于各类目标检测算法。数据集支持智慧养老、病房监护等应用场景，可用于跌倒预警系统的开发和算法研究。采用标准YOLO目录结构，包含训练集、验证集和测试集，可直接用于模型训练。该资源为跌倒检测领域提供了高质

 一键难忘
2026-06-20 02:14:55

 128

 1

#目标检测 #人工智能
多模态AI Agent实战：融合视觉与语义，让图像分割不再睁眼瞎

给模型一张图、一句话，让它把目标区域的像素精确圈出来——听起来简单直接，但一旦目标描述含糊、被遮挡、或者需要推理才能定位，一次性猜出正确掩码就变得相当困难。传统图像分割模型就像闭着眼睛猜答案，猜对了算运气，猜错了没人告诉它错在哪。2026年，这个局面正在被彻底改写。从ICML 2026到CVPR 2026，从Meta的SAM 3到复旦的RSAgent，多模态AI Agent正在将图像分割从“单次猜

 AI 小团子
2026-06-17 11:42:39

 364

 5

#人工智能 #计算机视觉 #深度学习 +3
第 03 讲《监督学习：数据、标签、Loss与训练循环》

本文通过类比学生做题的过程，系统介绍了监督学习的核心概念和训练机制。主要内容包括：监督学习本质：模型通过"做题(预测)-对答案(标签)-改参数(优化)"的循环过程逐步学习。关键概念解析：数据集划分：训练集(练习册)、验证集(模拟考)、测试集(期末考试) 标签：监督学习的标准答案 Loss：预测错误的量化指标学习率：参数更新的调整幅度训练流程：详细拆解了从输入样本到参数更新的6个关键步骤，

Super D
2026-06-16 14:08:42

 409

 8

#学习 #目标检测 #人工智能
目标检测算法Yolov5训练反光衣数据集模型建立基于深度学习yolov5反光衣的检测

本文详细介绍了基于YOLOv5的反光衣检测全流程。首先安装必要依赖并准备已标注的数据集（2043张训练图，510张验证图），包含"反光衣"和"其他衣服"两个类别。通过配置data.yaml文件定义数据集路径和类别信息，使用YOLOv5s预训练模型进行训练，设置图像尺寸640、batch16、训练50轮次。训练完成后评估模型性能，并提供了完整的推理代码实现单图预测，包含图像预处理、模型推理和结果可视

 DeepLearningYolo
2026-06-15 17:12:19

 327

 3

#目标检测 #算法
番茄成熟度检测数据集800张有标签

本文介绍了一个基于YOLOv8的番茄成熟度检测系统开发方案。该系统使用包含800张专业拍摄的番茄图像数据集（包含大番茄和小番茄的红、黄、绿6个类别），通过YOLO格式的精准标注进行模型训练。开发流程包括：1）数据准备，组织图像和标注文件；2）环境配置，安装必要依赖库；3）YOLOv8模型训练与评估；4）PyQt5 GUI界面开发，实现图像/视频加载和实时检测功能。系统可准确识别不同品种番茄的成熟度

 DeepLearningYolo
2026-06-15 17:09:31

 254

 7

#目标检测
深度学习目标检测框架训练使用_输电塔杆绝缘子红外测温图像数据集，共800张左右图片，标注为voc格式识别输电塔杆绝缘子数据集

本文介绍了一种基于YOLOv8深度学习框架的输电塔杆绝缘子红外图像检测方法。使用包含约800张VOC格式标注的红外测温图像数据集，详细说明了从数据预处理到模型训练的全流程。关键技术点包括：1)VOC格式转换为YOLO格式的数据处理脚本；2)数据集划分方法；3)YOLOv8模型配置文件编写；4)环境配置与训练步骤。该方法为电力设备红外检测提供了有效的自动化解决方案，可用于绝缘子缺陷识别等实际应用场景

 DeepLearningYolo
2026-06-15 17:07:37

 235

 3

#深度学习 #目标检测 #人工智能
VS Code Codex 插件 + DeepSeek V4 Pro + codex-bridge 本地桥接实现Codex的完美应用，完整配置教程

VSCode 实现codex的插件使用，AI编程

 qq_20575585
2026-06-14 14:45:11

 3521

 16

#人工智能 #linux #目标检测
YOLOv11【第六章：模型压缩与极致优化篇·第9节】自蒸馏（Self-Distillation）：YOLOv11 自身的迭代进化！

🏆 本文收录于专栏《YOLOv11实战：从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化展开，系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案，内容目前已覆盖分类、检测、分割、追踪、关键点、OBB 检测等多个方向。

bug菌¹
2026-06-14 14:00:00

 1525

 1

#计算机视觉 #目标检测
Raster2Seq：用于户型图重建的多边形序列生成

我们的方法将栅格化的户型图图像转换为矢量化格式，同时重建其结构和语义。我们在保留的 CubiCasa5K 测试样本（左）上展示了结果。颜色表示独特的语义类别（例如，室外、卧室、浴室和入口）。此外，我们突出了我们的模型在来自 WAFFLE 的复杂真实世界户型图图像（右）上的泛化能力。3D 可视化是通过将 2D 边界垂直延伸构建的。从栅格化户型图图像重建结构化的矢量图形表示，通常是涉及户型图的计算任务

 AI浩
2026-06-14 06:15:09

 315

 4

#目标检测
YOLOv11【第六章：模型压缩与极致优化篇·第3节】非结构化剪枝（Unstructured Pruning）：稀疏训练原理与实现！

🏆 本文收录于专栏《YOLOv11实战：从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化展开，系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案，内容目前已覆盖分类、检测、分割、追踪、关键点、OBB 检测等多个方向。

bug菌¹
2026-06-14 02:00:00

 708

 9

#计算机视觉 #目标检测
CVPR | 2026 | RVM-MAE

视频自监督学习是视觉表征学习的核心研究方向，依托掩码自编码器范式的VideoMAE、V-JEPA等模型，已成为视频特征学习的主流方案。但现有视频模型普遍存在设计缺陷，多采用对称掩码与全局时空注意力机制，忽略视频时序的因果性与方向性，无法适配在线流式推理场景，且长序列处理时计算成本高昂、特征稳定性差。与此同时，现有视觉模型存在明显能力割裂：以DINOv2为代表的图像模型擅长挖掘空间几何、像素级精细特

 折月织
2026-06-13 23:38:31

 421

 8

#人工智能 #计算机视觉 #深度学习 +2
YOLOv11【第六章：模型压缩与极致优化篇·第5节】YOLOv11-Slim：手把手教你剪掉 50% 的参数量且几乎不掉点！

🏆 本文收录于专栏《YOLOv11实战：从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化展开，系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案，内容目前已覆盖分类、检测、分割、追踪、关键点、OBB 检测等多个方向。

bug菌¹
2026-06-13 21:36:14

 264

 12

#计算机视觉 #目标检测
yolov26改进 | Neck/颈部创新篇 | 结合SDI和ASF-YOLO形成全新的特征融合网络网络（分割高效涨点，二次创新）

本文介绍了一种基于多层次特征融合模块(SDI)和加权双向特征金字塔网络(ASF-YOLO)的全新Neck网络结构。该模型结合空间和尺度特征，显著提升了细胞图像分割的精度和速度，在实验中达到了0.91的boxmAP和47.3FPS的推理速度。文章详细讲解了ASF-YOLO和SDI模块的核心代码实现，并提供了两种可选的yaml配置文件版本（分别使用Add和attention_model机制），帮助读者

 Snu77
2026-06-13 21:28:27

 415

 7

#深度学习 #计算机视觉 #人工智能 +1
yolov26改进 | Neck/颈部创新篇 | 顶会TPAMI机制FreqFusion二次创新BiFPN（全网独家创新）

本文提出了一种改进的YOLOv26目标检测模型，通过结合TPAMI 2024最新机制FreqFusion与BiFPN进行二次创新。FreqFusion是一种频率感知特征融合方法，通过自适应低通/高通滤波器解决密集预测任务中的类别内不一致性和边界位移问题。该方法在作者的多类别数据集上实现了性能提升，同时具有轻量化优势。文章详细介绍了核心代码实现（包括FreqFusion模块和LocalSimGuid

Snu77
2026-06-13 21:01:13

 112

#人工智能 #深度学习 #目标检测 +1
yolov26改进 | Neck/颈部改进篇 | 利用ASF-YOLO改进yolov26特征融合层助力yolov26有效涨点（适用于实例分割和目标检测）

本文介绍了ASF-YOLO模型在细胞实例分割和目标检测中的应用改进。该模型通过集成空间与尺度特征，显著提升了处理细胞图像的精度和速度，在实验中达到0.91 boxmAP、0.887 maskmAP和47.3 FPS的性能。文章详细解析了ASF-YOLO的核心模块：尺度序列特征融合（SSFF）、三重特征编码器（TFE）和通道位置注意力机制（CPAM），并提供了代码实现和模型添加教程。同时推荐了包含多

 Snu77
2026-06-13 19:43:57

 185

 1

#计算机视觉 #人工智能 #目标检测 +1
第13期｜遥感语义分割模型：U-Net核心原理+遥感落地优势

本文深入解析了U-Net在遥感语义分割领域的核心优势与应用策略。主要内容包括： U-Net的四大遥感优势：小样本友好，解决标注稀缺问题跳跃连接保留地物边界细节轻量化架构适配普通显卡高可改造性衍生多种变体核心架构解析：编码器（下采样）提取深层语义特征解码器（上采样）还原像素级分割跳跃连接解决边界模糊问题应用场景选择：原生U-Net适合通用分类 Attention UNet优化植被

 DXM0521
2026-06-13 15:34:15

 219

 3

#人工智能 #机器学习 #支持向量机 +4
刷不动LeetCode？我手搓了一个“目标检测+RAG”的AI面试官，直接拿Offer

文章摘要本文探讨了算法工程师在技术面试中面临的挑战，指出传统刷题方式已无法满足2026年AI岗位的考核需求。作者提出了一种基于目标检测（YOLOv12/YOLOv13）和RAG架构的"AI面试官"解决方案，能够理解图片、检索相关知识并进行多轮追问。文章详细分析了YOLO系列的技术演进，阐述了RAG技术的优化方向，并提供了可复现的系统架构设计和实现方案。这一方案突破了传统面试工具的局限，为技术面试

 AI 小团子
2026-06-13 13:56:47

 264

 7

#人工智能 #leetcode #目标检测 +2
深度学习使用LSTM实现天气时间序列预测

数据集包含14个不同的特征，例如气温，大气压力和湿度。从2003年开始，每10分钟收集一次。为了提高效率，本文仅使用2009年至2016年之间收集的数据。** 加载数据集**如上所示，每10分钟记录一次观测值，一个小时内有6个观测值，一天有144（6x24）个观测值。给定一个特定的时间，假设要预测未来6小时的温度。为了做出此预测，选择使用5天的观察时间。因此，创建一个包含最后720（5x144）个

 2601_95290523
2026-06-13 13:22:55

 269

 9

#深度学习 #人工智能 #目标检测 +1
YOLO系列目标检测数据集大全【第二十五期】

本文介绍了10个YOLOv11目标检测专用数据集，涵盖工业安全、农业养殖、医疗影像、无人机监测、宠物识别等多个领域。数据集包括护目镜检测（83张）、鸡只健康状态识别（1843张）、手部骨骼异常检测（458张）、无人机检测（201张）、猫狗识别（76张）、行李箱旋转检测（354张）、兔子识别（50张）、摩托车检测（100张）、犬类识别（491张）和工具检测（377张）。每个数据集均提供训练集/验证集

 stsdddd
2026-06-13 10:51:19

 224

 5

#目标检测 #目标跟踪
【跟我学YOLO】YOLO26（4）ROP 分类模型训练

本文介绍 YOLO26 如何配置环境（Python 3.8、PyTorch、Ultralytics）并下载预训练模型，重点演示使用自定义数据集训练分类模型。

YouCans
2026-06-13 08:21:16

 467

 5

#目标检测 #计算机视觉 #图像处理
YOLO26免环境训练工具

本工具由微智启软件工作室原创，无需单独安装python环境即可训练yolo26数据集模型。

wzq686868
2026-06-13 07:45:03

 410

 9

#目标检测 #人工智能 #机器学习 +1
YOLOv11【第五章：数据工程与增强篇·第7节】自动标注（Auto-Labeling）：利用YOLOv11预训练模型辅助半监督标注！

🏆 本文收录于专栏《YOLOv11实战：从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化展开，系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案，内容目前已覆盖分类、检测、分割、追踪、关键点、OBB 检测等多个方向。

bug菌¹
2026-06-13 06:00:00

 385

 9

#目标检测
yolov26改进 | Neck/颈部改进篇 | 双向特征金字塔网络BiFPN助力YOLOv26有效涨点（附独家网络结构图）

本文介绍了BiFPN（双向特征金字塔网络）及其在YOLOv11模型中的应用。BiFPN通过双向特征融合和加权融合机制优化了多尺度特征融合效果，提升了目标检测的精度和效率。文章详细讲解了BiFPN的原理、结构优化方法，并提供了代码实现和修改步骤，帮助读者在YOLOv11中集成该结构。作者还推荐了包含多种改进机制的YOLOv26专栏，支持目标检测、分割、姿态估计等任务，并提供了训练配置文件和代码示例。

Snu77
2026-06-13 03:40:50

 316

 5

#人工智能 #深度学习 #目标检测 +1
yolov26改进 | 细节创新篇 | 最新动态特征融合模块DFF二次创新C3k2助力yolov26有效涨点（附独家网络结构图）

本文介绍了D-Net的动态特征融合（DFF）模块在医学图像分割中的应用，提出了二次创新的C3k2机制，能够有效解决多尺度特征融合时的信息丢失问题。DFF模块通过自适应融合不同尺度的局部特征图，增强全局信息利用并保留细节。文章详细说明了D-Net的核心模块（动态大卷积核DLK、DFF和显著性层）及其在层次化ViT架构中的集成方法，并通过实验验证了其优越性能。此外，提供了YOLOv26的改进方案，包括

 Snu77
2026-06-13 01:55:27

 312

 6

#深度学习 #目标检测 #计算机视觉 +1
yolov26改进 | 细节涨点篇 | 最新高效上采样模块EUCB助力yolov26有效涨点（全网独家创新+独家网络结构图）

本文介绍了一种高效上采样模块EUCB（Efficient Up-Convolution Block），适用于目标检测和分割网络。该模块通过逐步上采样特征图，增强不同层级间的信息融合，尤其适合计算资源受限的场景。EUCB包含上采样、深度卷积、批归一化和ReLU激活等步骤，最后通过1x1卷积调整通道数。文章详细展示了核心代码实现，并提供了YOLOv11中集成EUCB的修改教程，包括文件结构、代码导入和

 Snu77
2026-06-12 23:45:41

 365

 5

#深度学习 #人工智能 #目标检测 +1
yolov26改进 | 细节涨点篇 | 文本感知CARAFE提高精度的上采样方法（附独家网络结构图）

本文介绍了一种改进卷积神经网络特征图上采样的方法CARAFE（Content-Aware ReAssembly of FEatures），可替代传统上采样操作（如Upsample）。CARAFE通过利用输入特征内容自适应预测重组核，实现更精准高效的特征重建，适用于图像超分辨率、语义分割等任务。文章详细解析了CARAFE的原理框架，包含核预测和内容感知重组两个核心模块，并通过图示展示其在FPN中的应

 Snu77
2026-06-12 22:57:21

 345

 8

#深度学习 #目标检测 #计算机视觉 +1
YOLOv11太阳能光伏板热点区域目标检测数据集-450张-Hotspot-detection-in-solar-panel-1

其核心价值在于能够及时发现光伏板潜在的热缺陷，为维护人员提供准确的检修依据，有效提升光伏电站的运行效率和安全性。训练集覆盖了多样化的光伏板场景，验证集用于模型性能监控，测试集则独立评估模型泛化能力，整体分布合理且具有代表性，能够充分满足深度学习模型的训练需求。通过实时监测光伏板的热点区域，系统能够快速定位故障点，指导维护人员进行针对性检修，从而延长光伏设备使用寿命，降低运维成本，助力清洁能源行业的

 guo_xiao_xiao_
2026-06-12 22:56:18

 242

 8

#目标检测 #人工智能
YOLOv11夜间城市道路行人与车辆目标检测数据集-4132张-person-1_3

YOLOv11夜间城市道路目标检测数据集摘要本数据集专为夜间城市道路场景设计，包含4132张图像（训练集2475张，验证集833张，测试集824张），标注三类目标：自行车、汽车和行人。数据集特点包括：场景特性：专注于夜间城市道路环境，覆盖多种照明条件高质量标注：采用精确的矩形框标注，边界框绘制精细应用价值：适用于夜间智能安防、自动驾驶辅助系统等场景技术支持：提供完整的YOLO格式数据集和

 guo_xiao_xiao_
2026-06-12 22:55:49

 351

 12

#目标检测 #目标跟踪
yolov26改进 | 损失函数改进篇 | QualityFocalLoss质量焦点损失（含代码 + 详细修改教程）

本文介绍了目标检测中的QualityFocalLoss（QFL）损失函数改进机制。QFL通过将定位质量（如IoU得分）与分类得分融合，形成联合表示，解决了传统目标检测中分类与定位任务不一致的问题。其核心优势包括：1）支持连续标签（0-1范围），更好反映定位质量；2）动态调整对困难样本的关注度；3）保持训练与推理阶段的一致性。文章详细解析了QFL的原理，并提供了在YOLO框架中的实现代码和使用方法。

Snu77
2026-06-12 21:55:44

 129

 2

#人工智能 #目标检测 #深度学习 +1
YOLOv26改进 | 损失函数改进篇 | 高质量的目标检测边界框回归损失Unified-IoU、FocalUIoU、FocalInvUIoU（全网独家首发）

本文介绍了目标检测中的新型边界框回归损失函数Unified-IoU（UIoU），其通过动态调整模型对不同质量预测框的关注，优化检测精度。UIoU结合FocalBox方法和退火策略，在训练过程中逐步将注意力从低质量框转移到高质量框，并可与现有损失函数（如ShapeIoU）结合形成二次创新。文章详细提供了7处代码修改位置及多种组合方式（UioU、FocalUIoU等）的实现方法，并附带检验使用成功的调

 Snu77
2026-06-12 20:53:25

 259

 7

#目标检测 #计算机视觉 #python +1
3B 参数，毫秒级响应：LocateAnything 如何重新定义开放世界目标检测

NVIDIA 最新推出的 LocateAnything-3B 模型通过创新的 ParallelBoxDecoding 技术实现了视觉语言定位的效率突破。该技术采用并行预测替代传统逐 token 坐标生成，处理速度达到 12.7 框/秒，较自回归方法提升 10 倍，在开放目标检测、OCR、GUI 元素识别等场景中表现优异。模型支持图像/视频全域定位及自然语言指代，显著改善定位精度与效率。

小白狮ww
2026-06-12 19:39:21

 292

 5

#目标检测 #人工智能 #计算机视觉 +1
yolov26改进 | 损失函数改进篇 | InnerIoU、InnerSIoU、InnerWIoU、FocusIoU等损失函数（二次创新）

本文介绍了YOLOv25的最新改进——InnerIoU损失函数及其变体（InnerSIoU、InnerWIoU等）。InnerIoU通过引入多尺度辅助边界框计算损失，特别提升了小目标检测性能，同时在各类尺度检测任务中均表现优异。文章详细解析了InnerIoU结合7种主流损失函数（SIoU、WIoU、GIoU等）的原理，并提供了完整的代码实现和模型集成方法。实验表明，这些改进能显著提高检测精度、收敛

 Snu77
2026-06-12 19:15:59

 493

 13

#目标检测 #深度学习 #人工智能 +1
基于 YOLOv8 与 Faster R-CNN 的红外图像行人检测系统设计与实现

本项目基于YOLOv8和FasterR-CNN开发了一套完整的红外图像行人检测系统，针对低照度、夜间监控等复杂场景进行优化。系统包含数据标注转换、模型训练评估、PyQt5图形界面三大模块，支持图片/视频/摄像头输入，具备目标框选、置信度显示、数量统计、坐标记录及声音报警功能。通过对比实验，YOLOv8在速度和精度平衡性上表现更优，被选为主力模型。项目亮点在于实现了从数据到应用的全流程闭环，特别适合

 王小王-123
2026-06-12 17:24:36

 86

#cnn #目标检测
基于AI的本地文件归档智能管理工具梳理

一个成熟的AI文件归档管理系统，功能可以按。目前这个赛道可以清晰地划分为。也值得一提——虽然它本质是。

2301_76444133
2026-06-12 16:36:47

 536

 8

#人工智能 #算法 #交互 +2
目标检测框架YOLOv5训练手语手势数据集手语手势数据集

本文介绍了使用YOLOv5目标检测框架训练手语手势数据集的完整流程。数据集包含35个手语类别，共2300+张标注图像，采用YOLO格式存储。文章详细说明了数据准备步骤，包括目录结构组织和data.yaml配置文件编写。随后给出了环境配置、模型训练、性能评估和结果可视化的具体代码实现，涵盖从数据加载到预测输出的完整流程。通过调整超参数和利用预训练权重，可以有效地训练手语识别模型并评估其性能指标。

DeepLearningYolo
2026-06-12 12:00:14

 132

 5

#目标检测 #人工智能
利用深度学习目标检测算法通用Yolov5训练电动车进电梯数据集建立基于YOLOv5的电动车入梯识别系统识别检测电梯进电动车的预警识别

文章摘要：本文介绍了一种基于YOLOv5的电动车入梯检测系统，通过深度学习技术实现电梯内电动车的实时识别与预警。系统开发流程包括：1）使用LabelImg标注电动车数据集；2）基于YOLOv5s模型训练目标检测算法；3）采用PyQt5构建可视化界面，集成摄像头/视频输入、实时检测及报警功能；4）通过MySQL数据库存储检测记录。实验表明，该系统能有效识别电梯中的电动车，并通过UI界面展示检测结果

 DeepLearningYolo
2026-06-12 11:58:31

 185

 7

#深度学习 #目标检测 #算法
如何训练使用——焊接焊缝缺陷检测数据集，5类，1400张。

文章摘要：本文详细介绍了一个基于YOLOv8的焊接焊缝缺陷检测系统的实现方案。系统针对5类焊接缺陷（相邻缺陷、完整性缺陷、几何缺陷、处理后缺陷和未焊接好缺陷）进行检测，使用1400张已标注的YOLO格式图像数据集。实现步骤包括：1) 数据准备与YAML配置文件创建；2) 使用Ultralytics库训练YOLOv8模型；3) 模型性能评估；4) 开发PyQt5图形界面用于实时检测。文中提供了完整

 DeepLearningYolo
2026-06-12 11:57:13

 222

 7

#目标检测
利用深度学习目标检测框架yolov8YOLO8训练使用草莓成熟度数据集

本文介绍了一个基于YOLOv8深度学习框架的草莓成熟度检测系统。该系统使用包含1049张草莓图片的数据集，包含未成熟(low)、欠成熟(medium)和成熟(high)三个类别。数据集按7:2:1的比例划分为训练集(734张)、验证集(210张)和测试集(105张)。文章详细说明了从数据准备、环境配置到模型训练与评估的完整流程，包括YOLO格式标签文件的处理、YOLOv8的训练命令以及模型性能评估

 DeepLearningYolo
2026-06-12 11:56:15

 192

 5

#深度学习 #目标检测
YOLO26 全网独家改进创新：CVPR 2025 LSNet 大核小核主干，引入 See Large, Focus Small 机制！

本文提出了一种改进的YOLO26目标检测模型YOLO26-LSNetBackbone，创新性地融合了CVPR 2025 LSNet网络的"See Large, Focus Small"思想。该方法通过替换原YOLO26主干中的C3k2阶段为LSNetStage模块，构建大核深度卷积和小核深度卷积的双分支结构：大核分支负责扩大感受野以获取全局上下文信息，小核分支专注于保留局部细节特征。这种设计既解决

 Super D
2026-06-12 10:45:53

 271

 8

#目标检测 #计算机视觉 #人工智能
基于YOLOv8的CT骨折病害检测与识别系统

本项目开发了一套基于YOLOv8深度学习模型的医学影像骨折识别系统，实现了从数据标注、模型训练到桌面端应用的全流程闭环。系统采用PyQt5构建交互界面，支持图片、视频、摄像头及批量检测，能直观显示骨折位置、置信度等检测结果并支持保存。项目亮点包括：明确的单类别检测任务、完整的工程化实现（训练可视化+系统界面）、多种输入方式支持、结构化结果输出以及良好的扩展性。技术栈整合了YOLOv8目标检测、Op

王小王-123
2026-06-12 08:00:00

 205

 5

#目标检测
无人机河道航拍语义分割数据集 | 水利巡检、水体识别、洪涝监测、水资源AI分析数据集10330期

无人机河道航拍语义分割数据集 | 水利巡检、水体识别、洪涝监测、水资源AI分析数据集10330期

 鸭蛋粉
2026-06-12 05:30:00

 253

 6

#无人机 #人工智能 #深度学习 +1
YOLOv11多类别目标检测数据集-4300张-traffic-sign-detection-gtsrb-1

本文介绍了YOLOv11交通标志多类别目标检测数据集，该数据集包含47类交通标志，总计4300张图像（训练集3440张，验证集860张）。数据集涵盖限速、方向指示、警告标志等多种常见交通标志，适用于自动驾驶和智能交通系统开发。文章详细说明了数据集目录结构、YOLO标注格式和data.yaml配置文件要求，并提供了YOLOv11的5种预训练模型选择建议。最后给出了基于Python API的训练代码示

 guo_xiao_xiao_
2026-06-11 22:47:59

 244

 5

#目标检测 #人工智能
YOLO系列目标检测数据集大全【第二十一期】

本文介绍了10个YOLOv11目标检测数据集，涵盖工业、机器人、食品、安防等多个场景。包括硬币检测(66张)、机器人检测(55张)、橙子检测(169张)、牛奶检测(313张)、城市香烟检测(236张)、高空安全帽检测(392张)、鸟类宠物检测(143张)、螺丝刀检测(594张)、火灾烟雾检测(1542张)和夜间火焰检测(123张)。每个数据集均提供详细配置文件和标注示例图，适用于不同领域的AI视觉

 stsdddd
2026-06-11 22:24:35

 383

 12

#目标检测 #目标跟踪
夜间野生动物目标检测数据集分享（适用于YOLO系列深度学习分类检测任务）

本数据集含17000张夜间野生动物图像，覆盖17类动物（如东北虎、黑熊、赤狐等），采用YOLO标准标注格式，专为YOLOv5-v10等模型训练优化，适用于生态监测、AI科研与教学。

动物园猫
2026-06-11 21:29:30

 273

 4

#目标检测 #深度学习
智慧林业航拍图像数据集 | 树木目标检测、病虫害识别、AI林业监测数据集10282

智慧林业航拍图像数据集 | 树木目标检测、病虫害识别、AI林业监测数据集10282期

 鸭蛋粉
2026-06-11 21:28:26

 297

 7

#人工智能 #目标检测 #计算机视觉 +2
YOLO26 全网独家改进创新： MIT 2025 振荡状态空间模型：引入可学习的阻尼机制，独家创新！

本文提出了一种基于LinOSS/D-LinOSS振荡状态空间模型的YOLO26改进方法，通过引入可学习的阻尼机制，使模型能够在多时间尺度上自适应调控特征能量的耗散。该创新将目标检测中的特征图视为具有频率、速度和稳定性的振荡动力系统，在保留YOLO26原有架构优势的同时，有效解决了复杂场景下的小目标检测、多尺度特征融合和长程依赖建模等关键问题。改进后的模型通过振荡状态更新机制实现了更灵活的特征表达，

Super D
2026-06-11 15:52:56

 443

 10

#学习 #目标检测 #计算机视觉 +1
瓶装水液位检测 - 基于 YOLO(ultralytics) + OpenCV图像处理

本文提出了一种基于YOLO目标检测和OpenCV图像处理的瓶装液位检测系统。系统采用两阶段检测流程：首先通过bottle.pt模型检测瓶体并跟踪，然后使用roi_level.pt模型在瓶体区域内定位液位区域。核心算法通过分析图像灰度梯度检测液位，利用液面处亮度变化剧烈的特性确定液位线位置。系统支持实时可视化显示检测结果，包括瓶体框、液位线、目标液位线和统计信息，并具备合格/不合格自动判定功能。

Duan987
2026-06-11 15:35:57

 229

 4

#目标检测 #opencv
医学影像太难搞？YOLOv8实例分割实战：手把手教你从DICOM标注到病灶可视化

本文介绍了YOLO在医学影像（肺部CT结节检测）中的应用实践。作者分享了从DICOM格式转换、数据预处理（窗宽窗位调整）、专业标注到YOLOv8-Seg模型训练部署的全流程。重点强调了医学影像的特殊性（单通道、高动态范围）及处理要点：需专业标注、谨慎数据增强、模型选择以稳定为先。文章提供了完整代码示例，包括DICOM转PNG、训练配置和结果可视化，并针对医学场景常见问题（小样本学习、假阳性等）给出

 shanwei_spider
2026-06-11 12:15:00

 295

 9

#人工智能 #目标检测 #计算机视觉 +2
YOLO模型ONNX转换全坑点：C#部署100%报错排查手册

本文总结了YOLO模型导出ONNX及C#部署中的常见坑与解决方案。关键点包括：1) 必须严格锁定版本组合，推荐使用验证过的稳定版本；2) ONNX导出参数要规范，特别是fixed尺寸、simplify=True和opset=17；3) C#部署常见问题集中在颜色空间、维度匹配和内存管理；4) 推荐使用Netron和onnxsim等工具排查问题。核心建议：保持Python和C#环境一致，预处理/后处

 威哥说编程
2026-06-11 12:15:00

 434

 8

#c##人工智能 #计算机视觉 +1