yolo

YOLO数据集集合

无人机低空影像语义分割数据集 | 语义分割遥感影像无人机低空地物分类 Potsdam Vaihingen LoveDA 9080期本数据集整合了 Potsdam、Vaihingen、LoveDA 三大经典遥感语义分割数据源，面向无人机低空影像的像素级地物分类任务。数据服务于城市遥感解译、土地利用调查、生态环境监测及智慧城市规划，适配语义分割模型训练、算法对比及创新实验。

智购科技自动贩卖机

自动售货机嵌入式系统时钟同步与时间管理实战：从RTC校准到断网时间保持的工程实践在自动售货机的嵌入式系统中，时间管理是一个容易被忽视却影响深远的环节。交易流水需要精确的时间戳来对账，库存变更需要按时间序列记录，故障日志需要时间信息来定位问题，AI识别结果需要与交易时间关联——如果系统时间不准确，运营商的财务对账、故障排查、用户投诉处理都会受到严重影响。

计算机编程-吉哥

深度学习：我用YOLO11-L做了一个水下垃圾检测系统对比YOLOv8-L/Faster R-CNN【计算机毕业设计选题推荐】🍊作者：计算机编程-吉哥 🍊简介：专业从事JavaWeb程序开发，微信小程序开发，定制化项目、源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事，生活就是快乐的。 🍊心愿：点赞 👍 收藏 ⭐评论 📝 🍅 文末获取源码联系

YOLO26最新创新改进系列：融合 E3AD 认知注意力 Neck：具身认知增强的 FPN/PAN 特征选择机制，高效创新！截止目前，YOLO26最新创新改进系列已更新100+种，排列组合后可达到上万种创新模型！极大节省科研时间！！！仍在持续更新中…

数据挖掘|基于BP神经网络的少数民族村寨文化型旅游体验产品潜在游客挖掘在乡村振兴战略背景下，文旅融合成为乡村经济发展的重要动力。贵州省少数民族村寨文化型旅游体验产品面临同质化、浅层化、配套不足等问题。本文基于1437份潜在游客问卷，运用BP神经网络挖掘消费偏好与关键影响因素，发现产品丰富度、体验质量、定价与易得性是核心制约因素。研究提出产品优化策略与“政 + 企 + 校”协同机制，为破解民族地区文旅低效开发困境、促进文化传承与乡村可持续发展提供支撑。

YOLO 完全指南（七）：YOLO识别工程化 (上)很多朋友在学会用 YOLO 做单张图片推理后，会觉得“模型能用了”。但当你真正要把视觉能力落地到业务里，问题才刚刚开始：

YOLO 涨点研究（十二）：具身 CV 进阶篇——Sim2Real 域随机化与真机部署本系列博客旨在从源码层面拆解 YOLO 的每一个技术细节，找到涨点突破口。第一篇：《YOLO 全代码详细解读：从预处理到后处理的完整数据流动》第二篇：《YOLO 涨点研究（二）：Loss 函数深度解析与正负样本分配策略》第三篇：《YOLO 涨点研究（三）：数据增强策略深度解析与涨点技巧》第四篇：《YOLO 涨点研究（四）：网络结构改进与涨点技巧》第五篇：《YOLO 涨点研究（五）：模块优化的实验设计与代码落实全指南》第六篇：《YOLO 涨点研究（六）：网络结构改进之小目标增强篇1》第七篇：《Y

YOLO数据集集合

无人船视角水面目标检测数据集 |无人船 USV 水面目标检测自主航行避障水域监测目标检测9076期本数据集专注于无人船（USV）水面视角下的多类别目标检测，服务于自主航行避障、水域环境监测及水上安防。数据由无人船第一视角实拍采集，涵盖14类水上与岸基目标，适配无人船感知系统、水面垃圾巡检及港口监管等应用。

YOLO数据集集合

渔船船只检测数据集 | 船只检测渔船识别拖船检测海事监管目标检测 YOLO格式深度学习数据集计算机视觉9076期本数据集专注于水面船只目标的视觉检测与分类，服务于海事监管、港口管理及水上交通安全。数据涵盖渔船与拖船两类典型作业船只，适配航道监控、船舶流量统计及非法捕捞预警等应用。

人脸检测和行人检测4：Android实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)目录人脸检测和行人检测4：Android实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)

飞猫的边缘AI

边缘AI-13：从YOLOv1到YOLO26：目标检测是怎么进化的现在，YOLO几乎成了实时目标检测的代名词，但很少有人完整了解它从何而来，经历了什么，如今走到哪一步。

工业视觉实战：从标注数据到格式转换到工业质检基础，yolo识别编摘要：本文完整记录一个工业视觉项目的全链路实现：用训练好的 YOLOv8-seg ONNX 模型对原始图片自动预标注，经 LabelMe 人工修正后，通过自研转换器批量转为 YOLO 分割格式，可视化质检后进入训练；训练好的模型最终封装进端到端流水线——批量处理 PDF 古籍文档，完成印章检测、文字分割与像素级染色还原。全文贯穿「模型即服务」的工程思想，并汇总了 OpenCV 中文路径、宽高顺序、letterbox 逆变换等高频踩坑点。

AOI 实战第五篇：c_broken 漏检严重，V4 迭代背后的权衡过杀下降 vs 漏检上升，工业检测的两难选择你有没有过这种经历？模型精度 99%，但误杀率太高——正常芯片被判定为缺陷，客户投诉不断。你降低阈值，误杀下降了，但漏检又上来了。

AOI 实战第六篇：.onnx 到 C++ 的最后一公里opset / IR / FP16 / dynamic batch，导出参数一个都不能错你有没有过这种经历？

基于DeepSeek智能体+YOLO+ResNet的饮食健康分析系统技术实现本文实现一套LLM智能体驱动、多工具协同的饮食健康分析系统。系统以 DeepSeek 大模型为决策核心，将 YOLO 目标检测、ResNet 细粒度分类、营养数据库核算封装为可调用工具，依靠智能体自主完成任务拆解、工具调度、数据推理与结果生成，实现餐盘图像识别、热量量化计算、个性化饮食评估与菜品推荐的端到端智能化闭环。

论文复现现场

工业缺陷检测训练选 YOLO11 还是 RT-DETR？一张 24GB RTX 4090 跑通 PoC 的完整方案对多数工业缺陷检测 PoC，24GB RTX 4090 足以承担 YOLO11、RT-DETR 的单卡训练。真正决定项目能否交付的，往往不是“模型能不能启动”，而是小缺陷是否保留、数据是否泄漏、显存是否可控，以及实验能否复现。

Είναι η κοπέλα

YOLO 演进 v5→v11 与 2026 选型指南YOLO 版本更新快（v5、v8、v11…），很多人不知道该用哪个。这篇梳理每个版本的关键改进，给出 2026 年的选型建议和迁移成本分析。

【计算机科学与应用】层级评论上下文依赖识别数据集构建与研究——以小红书旅游评论数据为例文本情感分析已广泛用于在线评论和旅游体验研究，但小红书内容具有笔记–评论双层结构，评论往往需要结合原笔记才能准确理解。为避免在数据清洗阶段误删有价值评论，或在主题分析中因简单拼接造成噪声混入与主题情感错配，本文构建面向笔记–评论融合的评论上下文依赖识别任务。本文以小红书旅游评论为研究对象，整理有效评论数据30,802条，并依据语义将评论划分为完整语义评论、上下文依赖评论和无有效态度评论三类。该分类将评论处理由简单“保留/删除”转化为“独立分析/融合分析/过滤噪声”的分层策略，使缺少对象但包含情绪态度的评论

DroneScan-YOLO：针对无人机图像中微小目标的冗余感知轻量级检测https://arxiv.org/pdf/2604.13278无人机（UAV）图像中的航空目标检测由于微小目标的高普及率、恶劣的环境条件以及严格的计算限制，带来了独特的挑战。标准的基于YOLO的检测器无法同时解决这些问题：其8像素的最小检测步长使得小于32像素的目标几乎无法检测；其CIoU损失对于不重叠的微小边界框会产生零梯度；其架构中存在显著的滤波器冗余。我们提出了DroneScan-YOLO，这是一个整体性的系统贡献，通过四个协调的设计选择来解决这些限制：（1）将输入分辨率提高到1280×1280，

YOLO数据集集合

天空反无人机检测数据集 | 无人机检测多旋翼识别固定翼识别低空安防目标检测9063期本数据集专注于无人机多构型视觉检测，服务于低空空域安全、反无人机系统及航空监管。数据涵盖多旋翼与固定翼两类主要无人机类型，适配无人机识别分类、空中态势感知及飞行管理决策等应用。