yolo

Coding茶水间

基于深度学习的反光衣检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的反光衣检测系统演示基于YOLO算法的反光衣检测系统在工业安全、交通管理等领域，工作人员是否规范穿戴反光衣直接关系到作业安全。传统人工检查方式效率低、覆盖范围有限，难以实现全天候监管。为此，本研究基于YOLO目标检测算法，开发了一套反光衣智能检测系统。

零小陈上（shouhou6668889）

YOLOv8+PyQt5车辆类型检测（可以重新训练，yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）资源包含可视化的车辆类型检测系统，基于最新的YOLOv8训练的车辆类型检测模型，和基于PyQt5制作的可视化车辆类型检测系统，包含登陆页面、注册页面和检测页面，该系统可自动检测和识别图片或视频当中出现的21种车辆类型，包括：小汽车、公交车、小型公交车、SUV、货车、卡车、三轮车、摩托车、自行车、救护车、警车、垃圾车、手推车等，以及自动开启摄像头，进行车辆类型检测，并在图片上展示车辆的位置，以及输出车辆类型的类型、坐标和置信度。

AI街潜水的八角

基于YOLOv12农作物检测系统1：农作物检测数据集说明(含下载链接)本篇博客是《基于YOLOv12农作物检测系统》系列文章之《农作物检测数据集说明(含下载链接)》，网上有很多农作物检测数据集的数据，百度一下，一搜一大堆，但质量参差不齐，很多不能用，即使一个一个的看也会浪费很多时间才有可能辨别出有用的数据集。为了方便你我他，本博客将分享一个由我自己整理的农作物检测数据，可直接应用到目标检测算法比如yolo系列中，当然也可以应用到分类模型中，数据集总共有2750张图片，并包含它的高质量标注文件。数据质量非常高，甚至可应用到工业落地的项目中。

零小陈上（shouhou6668889）

YOLOv8+PyQt5农作物杂草检测（可以重新训练模型，yolov8模型，从图像、视频和摄像头三种路径识别检测，包含登陆页面、注册页面和检测页面）资源包含可视化的农作物杂草检测系统，基于最新的YOLOv8训练的农作物杂草检测模型，和基于PyQt5制作的可视化农作物杂草检测系统，包含登陆页面、注册页面和检测页面，该系统可自动检测和识别图片或视频当中出现的农作和物杂草，以及自动开启摄像头，进行农作物杂草检测，并在图片上展示农作或物杂草的位置，以及输出检测结果是农作物还是杂草以及它的坐标和置信度。

农业机械检测与识别46基于YOLOv8-SPPF-LSKA的Supperseeder和拖拉机目标检测系统_1该数据集名为"Tractor detection"，版本为v2，于2024年4月26日通过qunshankj平台导出。qunshankj是一个端到端的计算机视觉平台，支持团队协作、图像收集与组织、非结构化图像数据理解与搜索、标注、数据集创建、模型训练与部署以及主动学习等功能。该数据集包含684张图像，所有图像均采用YOLOv8格式进行标注，主要针对两种农业机械目标：Supperseeder和tractor。在数据预处理方面，每张图像都应用了自动像素方向调整（剥离EXIF方向信息）和拉伸至640x640尺寸

夏天是冰红茶

小目标检测：LAM-YOLO详解无人机高空俯拍视角下，目标物体（如行人、车辆等）在图像中呈现极高的空间密度和显著的重叠现象。特别是在小目标聚集区域，边界框之间的遮挡与重叠严重干扰了特征提取的准确性。飞行过程中遭遇的光照强度变化以及运动模糊会显著降低图像质量。因此提出了一种专为无人机设计的LAM-YOLO。提出了光遮挡注意力机制，用于增强不同光照条件下的小目标可见能力，集成了Involution模块以改善特征层之间的交互。其次，采用改进的SIB-IoU作为回归损失函数，以加速模型收敛并提高定位精度。最后，实现了一种新颖的检测策略，通过引入

零小陈上（shouhou6668889）

YOLOv8+PyQt5玉米病害检测系统（yolov8模型，从图像、视频和摄像头三种路径识别检测）1.资源包含可视化的玉米病害检测系统，基于最新的YOLOv8训练的玉米病害检测模型，和基于PyQt5制作的可视玉米病害系统，包含登陆页面和检测页面，该系统可自动检测和识别图片或视频当中出现的七类玉米病害：矮花叶病dwarf-mosaic、灰斑病cercospora、严重灰斑病cercospora-serious、锈病puccinia、严重锈病puccinia-serious、叶斑病leaf-spot'、严重叶斑病leaf-spot-serious，以及自动开启摄像头，进行玉米病害检测。

零小陈上（shouhou6668889）

YOLOv8+PyQt5海洋船只检测（可以重新训练，yolov8模型，从图像、视频和摄像头三种路径识别检测）1.效果视频：海洋船只检测yoloV8检测（https://mbd.pub/o/bread/mbd-ZpaYk55r）_哔哩哔哩_bilibili资源包含可视化的海洋船只检测系统，可对于高空拍摄到的海洋图片进行轮船检测，基于最新的YOLOv8训练的海洋船只检测模型，和基于PyQt5制作的可视化海洋船只检测系统，包含登陆页面、注册页面和检测页面，该系统可自动检测和识别图片或视频当中出现的各种轮船，以及自动开启摄像头，进行海洋船只检测，并在图片上展示海洋船只的位置，以及输出海洋船只的坐标和置信度。

Coding茶水间

基于深度学习的脑肿瘤检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的脑肿瘤检测系统演示脑肿瘤作为一种常见的神经系统疾病，其早期精准识别对临床诊疗方案的制定及预后评估具有重要意义。近年来，计算机断层扫描（CT）、磁共振成像（MRI）等医学影像技术为脑肿瘤的诊断提供了重要依据，但传统影像分析高度依赖医师经验，存在诊断周期长、主观差异大等问题。随着人工智能与医学影像分析的深度融合，基于深度学习的目标检测技术为脑肿瘤的自动化检测提供了新的技术路径。

基于YOLO和大语言模型的PCB智能缺陷检测系统PCB Intelligent Defect Detection System based on YOLO & LLM 基于 YOLOv8 + LLaVA 的PCB智能缺陷检测系统

【目标检测软件 01】YOLO识别软件功能与操作指南目录一、简介二、主界面布局三、功能列表与操作方法3.1、加载本地文件夹中的图片或视频3.2、连接本地摄像头

YOLOv10剪枝｜稀疏训练、基于torch-pruning剪枝以及微调实践稀疏训练就是通过对 BN γ（gamma）添加 L1 正则，让模型自动学出“不重要的通道”，从而为后续结构化剪枝提供依据。

【即插即用模块】AAAI2026 | MHCB+DPA：特征提取+双池化注意力，涨点必备，SCI保二争一！彻底疯狂!!!遥感图像在军事、资源勘探等领域应用广泛，但单一传感器难以同时获取高空间分辨率和高光谱分辨率的图像。全色（PAN）图像空间分辨率高但为灰度，多光谱（MS）图像色彩丰富但空间分辨率低。现有方法通常将图像超分辨率（Super-Resolution, SR）与图像着色作为独立任务处理，前者无法提升光谱信息，后者无法提升空间细节，而全色锐化等融合方法又需要配准的图像对作为输入。

基于YOLO的小目标检测增强：一种提升精度与效率的新框架本文研究并开发了在大规模航拍图像中检测小目标的方法。当前航拍图像中的小目标检测方法通常涉及图像裁剪和检测器网络架构的修改。滑动窗口裁剪以及包括更高分辨率特征图和注意力机制在内的架构增强技术是常用的方法。鉴于航拍图像在各种关键和工业应用中的重要性日益增长，构建鲁棒的小目标检测框架变得势在必行。为满足这一需求，我们采用基础的SW-YOLO方法，通过优化滑动窗口的裁剪尺寸和重叠率来提升小目标检测的速度和精度，并随后通过架构修改对其进行增强。我们提出了一种新颖模型，通过修改基础模型架构来实现，包括在颈部引入用于特

【图像算法 - 38】工业巡检应用：基于 YOLO 与 OpenCV 的高精度管道缺陷检测系统实现摘要：本文将详细介绍如何利用当前先进的深度学习目标检测算法 YOLOv11，结合强大的计算机视觉库 OpenCV，构建一个高效、准确的管道缺陷检测系统。我们将从环境搭建、数据准备、模型训练到最终的检测应用，手把手带你完成整个流程，为城市地下管网、油气输送管道、工业厂区内管廊等场景提供智能化的缺陷识别与风险预警解决方案。关键词： YOLOv11, OpenCV, 管道缺陷检测, 深度学习, 目标检测, Python

【图像算法 - 39】环保监测应用：基于 YOLO 与 OpenCV 的高精度水面垃圾检测系统实现摘要：本文将详细介绍如何利用当前先进的深度学习目标检测算法 YOLOv11，结合强大的计算机视觉库 OpenCV，构建一个高效、准确的水面垃圾检测系统。我们将从环境搭建、数据准备、模型训练到最终的检测应用，手把手带你完成整个流程，为河流、湖泊、港口、近海等水域的智能环保监测、无人船巡检、生态治理提供实用的技术支撑。关键词： YOLOv11, OpenCV, 水面垃圾检测, 深度学习, 目标检测, Python

【图像算法 - 40】海洋监测应用：基于 YOLO 与 OpenCV 的高精度海面目标检测系统实现摘要：本文将详细介绍如何利用当前先进的深度学习目标检测算法 YOLOv11，结合强大的计算机视觉库 OpenCV，构建一个高效、准确的海面目标检测系统。我们将从环境搭建、数据准备、模型训练到最终的检测应用，手把手带你完成整个流程，为海上交通监控、搜救行动、港口安防、滨海旅游管理等场景提供智能化的视觉感知解决方案。关键词： YOLOv11, OpenCV, 海面目标检测, 深度学习, 目标检测, Python

【图像算法 - 37】人机交互应用：基于 YOLOv12 与 OpenCV 的高精度人脸情绪检测系统实现摘要：本文将详细介绍如何利用当前先进的深度学习目标检测算法 YOLOv12，结合强大的计算机视觉库 OpenCV，构建一个高效、准确的人脸情绪检测系统。我们将从环境搭建、数据准备、模型训练到最终的检测应用，手把手带你完成整个流程，为智能客服、驾驶员状态监控、心理健康评估、人机交互等场景提供实用的解决方案。关键词： YOLOv12, OpenCV, 人脸情绪检测, 深度学习, 目标检测, Python

少林and叔叔

基于yolov11s模型训练与推理测试（VScode开发环境）1、VScode添加python解释器（可以通过快捷键Ctrl+Shift+P），或者如下流程（本流程python解释器使用pycharm建立的空白虚拟环境（python3.8.20 yolov11），空白虚拟环境仅包含python环境，不包括pytorch、torchvision等环境）：

目标检测数据集 - 自动驾驶平台Carla图像交通元素目标检测数据集下载数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主 ~)：目标检测数据集下载大全传送：目标检测数据集大全「包含VOC+COCO+YOLO三种格式+划分脚本+训练脚本」(持续原地更新)