yolo

从零开始学习人工智能

多模型协同：基于 SAM 分割 + YOLO 检测 + ResNet 分类的工业开关状态实时监控方案YOLO（目标检测）SAM（图像分割）ResNet（状态分类）检测-分割-分类流水线：数据效率优势：模型串联的延迟累加：

强盛小灵通专卖员

基于YOLOv12的电力高空作业安全检测：为电力作业“保驾护航”，告别安全隐患！在电力行业，尤其是高空作业场景，安全隐患无处不在。高空作业本身就存在着极高的风险，尤其是对于电力维护和检修工作来说，稍有不慎便可能造成严重的安全事故。传统的安全监管方式，如人工巡检和视频监控，存在着延迟、效率低、准确性差等问题，无法实时发现作业中的安全隐患。因此，如何提高电力高空作业的安全性，成为了一个亟待解决的痛点问题。

飞翔的佩奇

【完整源码+数据集+部署教程】石材实例分割系统源码和数据集：改进yolo11-CA-HSFPN研究背景与意义随着计算机视觉技术的快速发展，实例分割作为其中一个重要的研究方向，逐渐在多个领域中展现出其独特的应用价值。实例分割不仅能够对图像中的物体进行识别，还能精确地划分出每个物体的轮廓，这在许多实际应用中都具有重要意义。例如，在建筑行业中，石材的识别与分割对于材料的管理、施工进度的监控以及成本控制等方面都起着至关重要的作用。因此，开发一个高效的石材实例分割系统，能够有效提升相关行业的自动化水平和工作效率。

飞翔的佩奇

【完整源码+数据集+部署教程】安检爆炸物检测系统源码和数据集：改进yolo11-REPVGGOREPA研究背景与意义随着全球安全形势的日益复杂，安检工作的重要性愈发凸显。特别是在公共场所和交通枢纽，如何有效地检测和识别潜在的爆炸物成为了一个亟待解决的技术难题。传统的安检手段往往依赖于人工检查和简单的物理检测，效率低下且容易受到人为因素的影响。因此，基于计算机视觉的自动化检测系统应运而生，成为提升安检效率和准确性的关键技术之一。

【20】番茄叶片病害数据集(有v5/v8模型)/YOLO番茄叶片病害检测➷点击跳转至数据集及模型获取处☇图片数量1500张，已标注txt格式训练集验证集按1250:250划分，可直接用于目标检测训练

python3GUI--基于PyQt5+DeepSort+YOLOv8智能人员入侵检测系统（详细图文介绍）代码量：3000多行本系统使用DeepSort对目标进行追踪，支持ROI区域告警，日志导出、加入了登录系统，欢迎了解！

飞翔的佩奇

【完整源码+数据集+部署教程】甘蔗叶片病害检测系统源码和数据集：改进yolo11-GhostDynamicConv研究背景与意义甘蔗作为全球重要的经济作物之一，其产量和质量直接影响到糖业、酒业及生物能源等多个行业的发展。然而，甘蔗在生长过程中常常受到多种病害的侵袭，尤其是叶片病害，这不仅会导致产量下降，还会影响甘蔗的糖分含量和品质。因此，及时、准确地检测和识别甘蔗叶片病害，对于保障甘蔗的健康生长和提高经济效益具有重要意义。

加权卷积算子：基于空间密度函数的 CNN 特征提取优化在深度学习中，卷积神经网络（CNNs）依赖标准卷积处理图像，但该操作对局部区域像素平等加权，未区分像素相对位置的语义贡献，限制了空间特征的精细化建模。为此，研究者提出加权卷积算子（Weighted Convolution Operator），通过引入空间密度函数，使网络能根据像素与中心位置的距离动态调整权重，强化关键区域特征提取，同时保持与现有 CNN 架构兼容且不增加可训练参数。

YOLO电力物目标检测训练最近需要进行电力物检测相关的业务，因此制作了一个电力物数据集，使用YOLO目标检测方法进行实验，记录实验过程如下：

Yolov5.6增加注意力机制+ByterTrack：目标检测与跟踪简介：本项目使用ESP32-CAM采集图像上传至上位机进行手部目标检测与追踪，使用了YOLOv5.6（注意力机制ECA,CBAM）+ByteTrack

Coovally AI模型快速验证

SFTrack：面向警务无人机的自适应多目标跟踪算法——突破小尺度高速运动目标的追踪瓶颈【导读】本文针对无人机（UAV）视频中目标尺寸小、运动快导致的多目标跟踪难题，提出一种更简单高效的方法。核心创新在于从低置信度检测启动跟踪（贴合无人机场景特性），并改进传统外观匹配算法以关联此类检测。在VisDrone2019、UAVDT和MOT17数据集上，性能超越当前最优方法，展现卓越鲁棒性与适应性。>>更多资讯可加入CV技术群获取了解哦~

YOLO12 改进｜融入大 - 小卷积LS Convolution 捕获全局上下文与小核分支提取局部细节，提升目标检测中的多尺度传统卷积核尺寸固定（如 3×3、5×5），在目标检测任务中面临两难：小卷积核（如 YOLOv5/YOLOv8 中的 3×3）：计算高效但感受野有限，对大目标或密集场景建模能力不足。大卷积核（如 11×11、13×13）：能捕获全局上下文，但参数量爆炸（如 13×13 卷积参数量是 3×3 的 20 倍以上），易过拟合且计算低效。LS Convolution（Large-Small Convolution）应运而生，旨在平衡全局感知与局部细节，并通过结构创新降低大核计算成本

强盛小灵通专卖员

DL00871-基于深度学习YOLOv11的盲人障碍物目标检测含完整数据集在全球范围内，盲人及视觉障碍者的出行问题一直是社会关注的重点。尽管技术不断进步，许多城市的无障碍设施依然未能满足盲人出行的实际需求。尤其是在复杂的城市环境中，盲人面临的障碍物检测问题更加严峻。传统的障碍物识别方法存在准确率低、实时性差等问题，亟待一种智能化的解决方案。

【论文阅读】YOLOv8在单目下视多车目标检测中的应用Application of YOLOv8 in monocular downward multiple Car Target detection

分类场景数据集大全「包含数据标注+训练脚本」 (持续原地更新)一、作者介绍：六年+算法开发经验、AI 算法经理、阿里云专家博主。擅长：检测、分割、理解、大模型等算法训练与推理部署任务。

学习使用YOLO的predict函数使用1.yolov8预测函数prdict返回结果分析_yolov8 model.predict-CSDN博客

YOLO12 改进｜融入 Mamba 架构：插入视觉状态空间模块 VSS Block 的硬核升级在医学图像分割领域，传统卷积神经网络（CNNs）受限于局部感受野，难以捕捉长距离依赖关系，而基于 Transformer 的模型因自注意力机制的二次计算复杂度，在处理高分辨率图像时效率低下。近年来，状态空间模型（SSMs）如 Mamba 展现出线性复杂度建模长序列的优势，其视觉变体 Vision Mamba（VMamba）通过引入二维选择性扫描机制，进一步提升了在图像任务中的全局特征提取能力。VSS Block 作为 VMamba 的核心组件，旨在解决传统模型在全局上下文建模与计算效率之间的矛盾，为医学图

蹦蹦跳跳真可爱589

Python----目标检测（使用YOLO 模型进行线程安全推理和流媒体源）在多线程环境中运行YOLO 模型需要仔细考虑，以确保线程安全。Python's threading 模块允许您同时运行多个线程，但在这些线程中使用YOLO 模型时，需要注意一些重要的安全问题。本页将指导您创建线程安全的YOLO 模型推理。

蹦蹦跳跳真可爱589

Python----目标检测（训练YOLOV8网络）在已经采集的数据中，使用labelImg进行数据集标注，标注后的txt与原始图像文件同名且在同一个文件夹（data）即可。

孤独野指针*P

释放模型潜力：浅谈目标检测微调技术(Fine-tuning)在计算机视觉领域，目标检测是一项至关重要的任务，它不仅要识别出图像中存在哪些物体，还要精确地定位它们的位置。从自动驾驶汽车识别行人与车辆，到医疗影像辅助诊断病灶，再到智能安防监控异常事件，目标检测技术无处不在。