yolo

城南皮卡丘

苹果果实成熟度检测数据集 4195张+YOLO格式数据集格式：YOLO格式(包含jpg图片以及对应的yolo格式的txt标注文件) 苹果数据集苹果成熟度数据集。图片均为在真实果园中采集到的，图片分辨率高，拍摄的苹果均为长在果树之上的，里面包含成熟的苹果、未成熟的、被果树叶部分遮挡的……，可以用于训练无人机苹果采摘，智能机器人采摘、机械臂采摘等视觉算法模型。图片预览：

【数据集 11】面向城市道路的坑洞检测数据集（含8760张，已按比例划分训练、验证、测试集，支持YOLO全系列训练）本数据集专为城市道路、街道主干道及高速公路场景下的路面坑洞检测任务而构建。路面坑洞是常见的道路病害之一，不仅影响行车舒适性，还容易引发轮胎损坏、车辆颠簸失控及交通事故，对市政养护、高速公路管理和智能驾驶环境感知提出了较高要求。本数据集聚焦城市道路、街道主干道和高速公路等典型路面场景，旨在通过目标检测技术实现对路面坑洞的精准识别与定位，为道路病害巡检、养护决策和行车安全预警提供可靠数据支撑。

William一直在路上

把轻量化 YOLO 模型部署到你的手机上把轻量化 YOLO 模型（以常用的 YOLOv8n 为例）部署到你的旧Android手机上，最稳妥、速度最快的方案是采用 Ultralytics 导出 NCNN 格式 + Android Studio 开源模板。

迪菲赫尔曼

【基础篇 11】把官方源码放到服务器：版本、解压层级和安装位置，一次弄清楚YOLO从零到论文：模型改进与科研实战全攻略YOLO基础篇 · A11 作者：迪菲赫尔曼大家好，我是迪菲赫尔曼。

迪菲赫尔曼

【基础篇 12】把环境与源码接起来：检查 GPU，再安装服务器上的项目YOLO从零到论文：模型改进与科研实战全攻略YOLO基础篇 · A12 作者：迪菲赫尔曼大家好，我是迪菲赫尔曼。

YOLOv4算法为了让模型在训练时“见多识广”，避免过拟合，YOLOv4引入了丰富的增强手段：1.马赛克数据增强：借鉴了CutMix，讲4张图片拼接成1张进行训练，极大地丰富了背景和目标的组合，提高了小目标检测能力。

YOLO 目标检测算法系列梳理：从 V1 到 V5 的原理演进YOLO（You Only Look Once）是深度学习领域最经典、应用最广的目标检测框架之一。这份笔记回顾了 YOLO 从 V1 到 V3 的核心原理，并延伸到 V4、V5 在数据增强、损失函数、网络结构和训练实践上的改进。

爱吃火鸡面呀

YOLOv2、YOLOv3、YOLOv4、YOLOv5 全面对比与总结YOLO 系列是目标检测领域最具影响力的单阶段检测器之一。从 YOLOv2 到 YOLOv5，短短几年时间里，这个系列在精度、速度、工程可用性上完成了多次跃迁。把它们放在一起对比，能清楚地看到目标检测技术演进的几条主线：更强的骨干网络、更精细的多尺度特征、更丰富的训练技巧，以及越来越成熟的工程化落地能力。

【ByteTrack 04】多轨迹算法ByteTrack改进点目标：只改进轨迹算法（bytetrack/ 核心代码），检测器不是目标。测试视频与场景对应：dense.mp4（密集交叉）、turn.mp4（转弯减速）。

工业玻璃不同形状类别玻璃检测数据集VOC+YOLO格式1012张4类别数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

【StrongSort 03】多轨迹算法StrongSort改进点StrongSORT（论文 StrongSORT: Make DeepSORT Great Again）在 DeepSORT 基础上提出的四项在线改进 + 一项相机运动补偿。本工程全部实现为可开关参数，五项统一默认开启（测试脚本加对应 --no-nsa / --no-ema / --no-mc / --no-wo-c / --no-ecc 关闭）。全部改进都在线逐帧完成，无离线后处理（原版 StrongSORT 的 AFLink、GSI 未引入）。

迪菲赫尔曼

【基础篇 08】让VS Code连接服务器：界面在本地，文件保存到远端YOLO从零到论文：模型改进与科研实战全攻略YOLO基础篇 · A08 作者：迪菲赫尔曼大家好，我是迪菲赫尔曼。

YOLOv3算法相比于前两代，YOLOv3最大的改进在于网格结构的设计。核心目标：使其更适合小目标检测。四大核心升级：

宿州派大星

目标检测：YOLOv1架构原理与损失函数全解析标签：目标检测 YOLO 深度学习计算机视觉算法摘要：在YOLO横空出世之前，目标检测领域一直被R-CNN系列（Two-stage）统治。YOLO（You Only Look Once）将检测任务巧妙转化为回归问题，实现了端到端的实时检测。本文将从核心思想、网络架构、7×7×30张量解构、独树一帜的损失函数设计等维度，带你彻底吃透YOLOv1。

基于Python Yolo实现绝缘子目标检测程序大小： 625MB➡️ 资源下载：https://download.csdn.net/download/s1t16/87490683 https://download.csdn.net/download/s1t16/87490683

【AI视觉软件 03】基于 Ultralytics + DeepSORT 的多目标跟踪与改进（支持YOLO全系列，重点车跟踪）车流统计是智能交通分析的基础，流量、流速、行驶轨迹都建立在"每辆车被持续稳定跟住"之上，这一步就是多目标跟踪（MOT），业界通用方案是"检测器 + 跟踪器"两段式。两段式里有一条经典路线 DeepSORT：只保留高置信度检测框，给每个框提取外观特征（ReID），靠"运动预测 + 外观相似度"把前后帧的目标关联起来。本项目重点跟的是车——而 DeepSORT 是在行人数据集上设计调参的（外观模型直接用行人重识别权重），车辆场景的车流密集交叉、转弯减速、遮挡形态都与行人不同，直接套用会遇到车辆场景特有的问题。

迪菲赫尔曼

【基础篇 04】第一次使用终端：命令在哪里输入，电脑现在又“站”在哪里？YOLO从零到论文：模型改进与科研实战全攻略YOLO基础篇 · A04 作者：迪菲赫尔曼大家好，我是迪菲赫尔曼。

混凝土损伤分割与检测数据集 | 混凝土损伤实例分割裂缝检测裸露钢筋结构健康监测9261期本数据集专注于混凝土结构表面多种损伤的视觉检测与像素级分割，服务于桥梁、隧道、建筑等基础设施的健康监测与维护。数据涵盖七类典型混凝土损伤与结构要素，适配目标检测与实例分割多任务，辅助自动化巡检及结构安全评估。

a puppy slide 葱

ICML | 2026 | MFH‑NAS：面向多模态融合目标检测的混合神经架构搜索框架\qquad 多模态融合目标检测整合异构传感器（可见光、红外等）采集的互补信息，往往能够提升检测性能。该技术的核心在于融合模块的设计与融合阶段的选取。

用Python+OpenCV+YOLO写个游戏脚本：从自动瞄准到自动采集的保姆级教程++YOLO游戏脚本开发实战：从目标识别到自动化操作在当前这游戏开发以及自动化相关的这两个领域里面, 计算机视觉技术还有那个机器学习技术它们俩结合在一起, 正在去创造出那种以前从来都没有过的可能性。