yolo

树莓派的YOLO智能AI识别系统，识别ESP32还是STM32![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/7d344804617a4d64904b4f7171018d49.png

基于YOLO算法的医疗应用专题：第一章计算机视觉与深度学习概述计算机视觉作为人工智能领域的重要分支，其发展历程可以追溯到 20 世纪 50 年代。1959 年，神经生理学家 David Hubel 和 Torsten Wiesel 通过猫的视觉实验，发现视觉处理过程总是从类似特定方向边缘的简单结构开始，这一发现为 40 年后计算机视觉技术的突破性发展奠定了基础，也成为了深度学习的核心准则之一(4)。

java1234_小锋

[免费]基于Python的YOLO深度学习垃圾分类目标检测系统【论文+源码】大家好，我是python222_小锋老师，看到一个不错的[免费]于Python的YOLO深度学习垃圾分类目标检测系统【论文+源码】，分享下哈。

论文精读系列：Retinanet——目标检测领域中的SCI对比实验算法介绍！可一键跑通的对比实验，极大节省小伙伴的时间！！！**SCI精读是一项高投入、高回报的科研投资。它初期看似缓慢，但从长远看，它是构建你深厚学术功底、敏锐科研嗅觉和强大创新能力的唯一捷径。将精读养成习惯，它最终会从一项“任务”变成一种能带给你巨大成就感和乐趣的“能力”，介于此，本Up主开设sci领读课程，旨在让小伙伴们在快乐中快速具备论文写作能力！**本专栏为视频课程中的文章翻译！

深度学习YOLO实战：4、模型的三要素：任务、类别与规模想要有效应用YOLO系列模型，我们就必须先掌握其核心要素，这包括了解它所支持的任务类型、独特的预测机制以及关键的模型参数。这不仅仅是选择一个合适版本那么简单，更是对其进行针对性优化、以解决实际部署中可能遇到的各种挑战的必经之路。

Jetson orin agx配置ultralytics 使用docker或conda以yolov8为例进行探索：https://www.jetson-ai-lab.com/tutorial_ultralytics#__tabbed_2_1

YOLOv4 实战指南：单 GPU 训练的目标检测利器YOLOv4 的作者虽与前作不同，但延续了 YOLO 系列 “实时优先” 的理念，同时带来两大关键改变：

飞翔的佩奇

【完整源码+数据集+部署教程】【运动的＆足球】足球场地区域图像分割系统源码＆数据集全套：改进yolo11-RFAConv随着计算机视觉技术的迅猛发展，图像分割在体育分析、场景理解等领域的应用愈发广泛。足球作为全球最受欢迎的运动之一，其比赛分析、战术研究和运动员表现评估都离不开对比赛场地及球员动态的精准捕捉与分析。因此，基于深度学习的图像分割技术在足球场景中的应用具有重要的研究价值和实际意义。尤其是YOLO（You Only Look Once）系列模型，以其高效的实时检测能力和较强的准确性，成为了目标检测和分割领域的热门选择。

夏天是冰红茶

恶劣天气目标检测IA-YOLO最近，因为想做恶劣天气下的小目标检测，所以有必要学习一下相关方面的文章，IA-YOLO是21年的一篇论文，是我目前找到的最早的工作，这篇工作提出深度学习的目标检测方法虽然在传统的数据集上取得不错的成果，但在恶劣天气条件下的拍摄到的低质量图像中进行定位仍然有许多的问题，因此提出了IA-YOLO，它包括了可微图像处理模块DIP，其参数有一个小的CNN-PP卷积网络预测，采用弱监督方式使DIP增强图像来进行检测，可以用于正常天气和恶劣天气下的目标检测，在雾天和低光场景下都具有不错的效果。

如何根据不同的场景选择YOLO相应的基座模型经过上面几次的实战应用，基座模型的选择至关重要。

深入解析 YOLOv5 datasets.py：数据加载与增强的核心逻辑在 YOLOv5 目标检测项目中，datasets.py是数据处理 pipeline 的核心模块，它负责图像 / 标签的加载、预处理、数据增强等关键操作，直接影响模型训练的效率和最终性能。本文将从代码结构、核心功能、技术细节三个维度，全面解析这个模块的设计逻辑与实现原理。

【Yolo】Yolo实操7点建议（多个项目经验总结，训练图片累计超过2万张）1 解决GPU推理比CPU还慢的问题，调整如图下面两个地方。2 对于检测模型，标注框略大于瑕疵，可以提到置信度。

深度学习YOLO实战：5、基于YOLO的自动化图像批量检测方案在实际应用中，我们经常会遇到需要对整个文件夹下的所有图像进行批量目标检测的场景。例如：YOLO（You Only Look Once）作为一种高效且广泛使用的目标检测算法，提供了非常便捷的接口，能够轻松应对这类批量图像处理任务。接下来，我们将通过具体代码示例，一步步说明如何对指定目录下的全部图像执行推理，并保存检测后的结果。

飞翔的佩奇

【完整源码+数据集+部署教程】【运动的＆足球】足球比赛分析系统源码＆数据集全套：改进yolo11-RFAConv随着足球运动的全球普及和竞技水平的不断提高，如何有效分析比赛过程中的关键要素，提升球队的战术决策能力，成为了体育科学研究的重要课题。传统的比赛分析方法往往依赖于人工观察和记录，效率低下且容易受到主观因素的影响。近年来，计算机视觉技术的快速发展为体育分析提供了新的解决方案，尤其是目标检测算法的应用，使得自动化分析成为可能。在此背景下，基于改进YOLOv11的足球比赛分析系统应运而生。

飞翔的佩奇

【完整源码+数据集+部署教程】【天线＆水】舰船战舰检测与分类图像分割系统源码＆数据集全套：改进yolo11-repvit随着全球海洋经济的快速发展，海洋安全和海上防御的需求日益增加，舰船检测与分类技术在军事和民用领域的重要性愈发凸显。传统的舰船识别方法多依赖于人工监测和经验判断，效率低下且容易受到人为因素的影响。因此，基于计算机视觉和深度学习的自动化舰船检测与分类系统应运而生，成为提升海洋监控能力的重要手段。

一文读懂YOLOv4：目标检测领域的技术融合与性能突破目录一、YOLOv4 的核心设计逻辑：模块化技术整合二、YOLOv4 的关键技术改进：从数据到结构的全链路优化

YOLOv3 核心笔记YOLOv3 是 Joseph Redmon 团队在 2018 年推出的目标检测模型，是 YOLO 系列中平衡速度与精度的关键迭代。它没有颠覆 YOLO 初代的 “端到端检测” 核心思路，但在网络结构、多尺度检测、类别预测上做了关键优化，至今仍是轻量级实时检测场景的常用模型。如果说 YOLOv1 是 “开创者”，YOLOv2 是 “优化者”，那 YOLOv3 就是 “成熟者”—— 把之前的短板补全，让模型更实用！

深度学习lover

＜数据集＞yolo纸板缺陷识别数据集＜目标检测＞数据集下载链接https://download.csdn.net/download/qq_53332949/92184171数据集格式：VOC+YOLO格式

飞翔的佩奇

【完整源码+数据集+部署教程】【天线＆运输】直升机战机类型识别目标检测系统源码＆数据集全套：改进yolo11-CSP-EDLAN随着现代战争的日益复杂化，空中作战力量的有效识别与分类变得愈发重要。直升机作为一种灵活多变的空中作战平台，其在战场上的作用不可小觑。为了提升对直升机及其他空中目标的识别能力，基于深度学习的目标检测技术应运而生。其中，YOLO（You Only Look Once）系列模型因其高效的实时检测能力而备受关注。YOLOv11作为该系列的最新版本，具备更强的特征提取能力和更快的推理速度，适合在复杂的战场环境中进行直升机类型的识别。

Yolo分割数据集错误数据删除检查yolo系列的分割数据，如果怀疑数据集有问题，可以使用此代码，dry_run 先设置为True，执行后会打印有问题的数据，观察打印的数据符合预期，然后，再改为False，删除异常数据。代码如下：