yolo

YOLO-World：实时开放词汇对象检测（YOLO-World: Real-Time Open-Vocabulary Object Detection）YOLO（You Only Look Once）系列检测器已经成为高效实用的工具。然而，它们依赖于预定义和训练的对象类别，限制了它们在开放场景中的适用性。针对这一限制，我们引入了YOLO-World，这是一种创新方法，通过视觉语言建模和大规模数据集的预训练来增强YOLO的开放词汇检测能力。具体来说，提出了一种新的可重参数化的视觉语言路径聚合网络（RepVL-PAN）和区域-文本对比度损失，以促进视觉和语言信息之间的交互。我们的方法在零拍摄方式下以高效率检测广泛的对象方面表现出色。在具有挑战性的LVIS数据

三天不学习

YOLO + .NET 10 快速入门：从零搭建实时目标检测应用在人工智能和计算机视觉领域，实时目标检测（Object Detection）是一项核心且应用广泛的技术。YOLO（You Only Look Once）系列算法以其“单次前向传播”的极速推理能力，成为工业界和学术界的热门选择。对于 .NET 开发者而言，如何将强大的 YOLO 模型与熟悉的 .NET 生态结合，快速构建出可部署的应用程序，是一个极具价值的话题。

深度知识积累AI

RK3588 部署 YOLO26 目标检测：从训练到 NPU 推理购买即可解锁1000+YOLO优化文章，并且还有海量深度学习复现项目，价格仅需两杯奶茶的钱，每日更新RK3588 NPU 算力 6 TOPS（INT8），YOLO26n 量化后推理延迟约 15ms，可以稳定覆盖 30 FPS 实时检测。

#YOLOv11 目标检测训练结果怎么看？一文看懂 Precision、Recall、mAP 指标使用 YOLOv11 训练目标检测模型后，通常会看到 Precision、Recall、mAP@50、mAP@50:95、PR 曲线、results.png 等结果文件。

笑脸惹桃花

目标检测：YOLOv12环境配置，超详细，适合0基础纯小白目录1. 前言2. 查看电脑状况3. 安装所需软件3.1 Anaconda3安装3.2 Pycharm安装

睡岗检测数据集分享（适用于YOLO系列深度学习分类检测任务）链接:https://pan.baidu.com/s/1MM22lYUS9a-wfiJ89qJ7jA?pwd=xdp1

从标注优化到全流程落地：Python+YOLOv8 打造 YOLO模型训练一体化平台在上一篇博客《解决了一个困扰我们团队3个月的AI训练数据问题》中，我们针对性解决了多人协作标注时类别 ID 混乱、标签格式不统一的问题，优化了数据标注环节的规范性。

AI街潜水的八角

基于YOLO26电池顶盖焊接缺陷检测系统1：电池顶盖焊接缺陷检测数据集说明(含下载链接)本篇博客是《基于YOLO26电池顶盖焊接缺陷实时检测系统》系列文章之《电池顶盖焊接缺陷检测数据集说明(含下载链接)》，网上有很多电池顶盖焊接缺陷检测数据集的数据，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电池顶盖焊接缺陷检测数据，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5208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

搭载实时 FPGA 处理系统的航天器上用于海上监视的超分辨率YOLO目标检测技术（意大利2026年研究）摘要：从光学遥感影像中准确识别船舶并及时提取信息，对于各类民用及国防领域的海上监视任务都至关重要，包括船舶追踪、非法捕捞监测、非法移民监控以及搜救行动等。尽管人工智能（AI）是实现卫星影像可靠精准检测的关键要素，但传统的基于AI的遥感方法仍依赖地面图像处理技术。这种依赖性导致数据采集与可操作性分析结果生成之间存在显著延迟，可能影响在海难等关键海上事件中的快速决策能力。为解决这一问题，我们提出了一种基于Microchip PolarFire片上系统（SoC）的新型硬件设计方案，专为航天器搭载设备设计，旨在实

YOLO数据集集合

智慧农业｜农田作物杂草识别数据集｜航拍巡检｜YOLO实例分割｜深度学习训练集｜智能除草视觉数据集田间杂草与作物混生、光照复杂、尺度差异大，人工除草成本高、农药滥用污染重；传统CV模型泛化弱、分割不准，智能除草机器人、无人机巡检长期卡在高质量细粒度标注数据缺口。本文带来一套可直接训练、覆盖真实田间场景的作物杂草实例分割数据集，附YOLOv8-seg工程化训练代码，开箱即用落地智慧农业视觉感知。10168

YOLO v11蚊子数据集训练YOLO v11蚊子数据集训练本项目基于YOLO v11深度学习模型，实现蚊子的实时检测与识别。本文旨在演示数据训练过程。

你是个什么橙

缺陷检测数据集选择：NEU-DET、GC10-DET、MVTec_AD，将其转换成YOLO数据集适用的txt格式NEU-DET 是一个广泛应用于钢铁表面缺陷检测研究领域的经典数据集，由东北大学发布。它就像目标检测和工业智能质检领域的“入门级教科书”，被学术界和工业界广泛采用。它主要有以下几个核心特点：数据规模：总计 1800 张灰度图像。图像尺寸：每张图像的分辨率为 200 x 200 像素。这类似乎工业相机的一个小特写，聚焦在缺陷区域。缺陷类别：共包含 6 种典型的热轧带钢表面缺陷根据近年的一些研究，主流模型在该数据集上的平均精度（mAP@0.5）大致在 78% 到 82% 之间。这个结果说明，虽然经典

前网易架构师-高司机

带标注的交警识别数据集，可识别交警和非交警，5587张图，支持yolo，coco json，voc xml,文末有模型训练代码带标注的交警识别数据集，可识别交警和非交警，5587张图，支持yolo，coco json，voc xml,文末有模型训练代码

YOLO-FCE：一种基于特征与聚类增强的物种分类目标检测模型（澳大利亚2026年研究）摘要：澳大利亚拥有丰富而独特的野生动物多样性，构成了该国生态遗产的重要组成部分。在广阔而偏远的自然环境中实现准确的物种识别仍面临重大挑战。本研究提出了基于YOLOv9架构改进的模型——YOLO特征与聚类增强模型（YOLO-FCE）。我们通过一系列基于聚类距离的分析方法对模型的特征提取能力进行评估与优化。该模型在包含50种澳大利亚动物物种、每种物种700张图像的数据集上完成训练和测试，共处理35,000张图像。YOLO-FCE模型的平均精度（mAP50:95）达到87.5%，精确度为98.2%；在独立的未见

基于 YOLOv10 的汽车机油滤芯缺陷检测系统（训练 + 测试 + 可视化 + 避坑）摘要：本文基于最新 YOLOv10n 轻量化目标检测算法，实现汽车机油滤芯外观缺陷智能检测，包含数据集制作、模型训练、Windows 避坑、精度分析、结果可视化、曲线图绘制、混淆矩阵展示等全流程，可直接用于毕业设计、课程设计、工业检测项目。

视觉算法小姥

yolov11-obb在rk芯片部署的onnx模型输出的剪枝处理原始导出的onnx只有一个输出，包括一些后处理，rk需要搞成4个输出，输出的节点在代码中，后处理放到外面去，不在npu做。坑人的是这个搞成4个输出的，网上没有一个人说怎么弄。

视觉算法小姥

YOLOV11-OBB之ONNX转RKNN并跑在模拟器上接着上一篇，得到了onnx，那么就要转rknn，下面是转rknn并跑在模拟器上的代码，真干货

基于yolov8的课堂行为检测系统——主要功能检测睡觉、手机、人数YOLO目标检测、OpenCV视频分析；主要功能：检测睡觉、玩手机、学生行为统计课堂大学生行为的自动识别对于教学评估、学生状态监测具有重要意义。传统人工观察效率低且主观性强，无法实现大规模、实时化的课堂行为分析。随着深度学习技术的快速发展，目标检测算法在计算机视觉领域取得了突破性进展，为课堂行为自动识别提供了技术基础。本项目旨在利用深度学习目标检测技术，构建一个能够自动识别课堂中学生人数统计、玩手机、睡觉三类行为的检测系统。系统最终能够对图片、视频或摄像头实时流进行检测，并在图形界面中直观展示检测结果

【YOLO算法包裹背包行李箱塑料袋包装纸盒快递盒带目标检测数据集】data.yaml配置：================================================================================

YOLO数据集集合

无人机航拍河道垂钓检测数据集｜水域禁钓智能识别｜YOLO目标检测实战河道垂钓识别数据集｜无人机水域巡检｜非法垂钓检测｜深度学习目标检测长江十年禁渔、河湖生态管护、景区水域安全已成为全国水利与环保治理核心刚需。传统人工巡检效率低、覆盖有限、夜间盲区大，而无人机+AI视觉正快速成为禁钓监管标配方案。高质量、高纯度、场景丰富的垂钓检测数据集，是模型落地精度与泛化能力的关键保障。本文基于真实无人机航拍河道场景，构建标准化垂钓检测数据集，并提供完整YOLO训练推理代码，助力水域智能巡检快速工程化落地。