yolo

爱思考的观赏鱼

YOLO 系列：2026最新遥感检测：YOLOv11-OBB 旋转框训练、参数调优与踩坑全解析2025年，Ultralytics 发布了 YOLOv11 系列模型，同时原生支持了 OBB（Oriented Bounding Box，有向边界框）旋转目标检测任务。根据 Ultralytics 官方文档，YOLO11 已成为检测、分割、姿态估计、分类和 OBB 任务的推荐默认模型，其 OBB 功能专门针对航空影像、遥感图像等任意角度目标的检测场景进行了优化。

Mac OS/M1 Pro 搭建Yolo V5环境1. A module that was compiled using NumPy 1.x cannot be run in NumPy 2.0.2 as it may crash. To support both 1.x and 2.x

基于「YOLO目标检测 + 多模态AI分析」的增材制造粉末床熔合缺陷智能检测分析预警系统b站演示视频与部署教程视频(点击这里) https://www.bilibili.com/video/BV1Ckd8BaEou/?share_source=copy_web&vd_source=31c839f46a9a845dd6dd641cbd5c2ac1

基于yolo26算法的玉米卷叶心识别智慧农业玉米病虫害农药丢撒识别玉米卷心识别玉米叶心图像识别农作物识别第10410期目前数据集暂未定义具体类别，为后续根据实际研究需求自定义类别预留空间，可灵活适配不同玉米特征识别场景（如玉米叶片、果穗、茎秆等分类需求）。

026、训练策略改进（二）：余弦退火、热重启与早停策略上周在部署YOLO模型到边缘设备时遇到一个典型问题：训练集loss已经降到0.1以下，验证集却在0.3附近震荡，测试时漏检率明显偏高。检查了数据增强、模型结构都没问题，最后把目光锁定在学习率曲线上——那条平滑下降的曲线看起来“太完美了”，完美得有些不对劲。

DeepLearningYolo

UNet架构训练输电线路、输电杆塔、水泥杆和输电线路木头杆塔的语义分割模型检测输电线路分割UNet架构训练输电线路、输电杆塔、水泥杆和输电线路木头杆塔的语义分割模型检测输电线路分割首先确保已经安装了必要的依赖库：

嵌入式吴彦祖

yolov5 C++环境搭建安装依赖包：pip install onnxpython export.py --weights yolov5s.pt --include onnx

CGFM上下文引导特征融合改进YOLOv26多尺度检测精度在目标检测任务中，多尺度特征融合是提升模型性能的关键技术。传统的特征融合方法如简单拼接（Concatenation）或逐元素相加（Element-wise Addition）虽然实现简单，但存在明显的局限性：它们无法有效处理来自不同层级特征的语义差异，也难以自适应地调整不同特征的重要性。这导致融合后的特征表示往往包含大量冗余信息，而关键的判别性特征却未能得到充分强调。本文将深入探讨CGFM（Context-Guided Fusion Module，上下文引导特征融合模块）如何通过创新的双向交叉增强机制改进

Converse2D频域卷积上采样改进YOLOv26图像重建与细节恢复能力在目标检测任务中,特征图的上采样操作对于恢复空间分辨率、融合多尺度特征至关重要。传统的上采样方法如最近邻插值、双线性插值虽然计算简单,但往往会导致细节丢失、边缘模糊等问题。转置卷积虽然可学习,但容易产生棋盘效应。为了解决这些问题,本文引入Converse2D频域卷积上采样算子,通过在频域进行全局建模和精确重建,显著提升YOLOv26的特征恢复质量。

DeepLearningYolo

基于PyQt的YOLOv5+DeepSORT可视化界面，可实现目标跟踪、模型更换、结果保存和轨迹隐藏等功能。基于PyQt的YOLOv5+DeepSORT可视化界面，可实现目标跟踪、模型更换、结果保存和轨迹隐藏等功能。代码示例，仅供参考，包括界面设计和功能实现。

033、部署优化（四）：模型编译与TVM在边缘设备上的应用上周三凌晨两点，我盯着屏幕上闪烁的串口日志，手里的咖啡已经凉透。RK3568开发板第三次报出“Segmentation fault”，而同样的YOLOv11模型在PC端推理明明一切正常。问题出在哪里？是内存对齐问题？是算子不支持？还是量化后的精度崩塌？这种时候你就会明白：把PyTorch模型直接扔到边缘设备上，就像把法拉利引擎装进三轮车——不是不能跑，是根本装不上。

031、部署优化（二）：TensorRT引擎构建与INT8量化推理上周在产线调试YOLO检测模型，产线工控机上的推理延迟比测试环境高了近40%。同样的T4显卡，同样的模型权重，问题出在哪？抓了性能分析才发现，测试时用的ONNX Runtime默认执行模式，到了产线环境却因为一个不起眼的配置项，没启用TensorRT加速。这件事让我再次确认：模型部署的最后一公里，往往藏着最深的坑。今天我们就来聊聊TensorRT引擎构建和INT8量化那些实战细节。

不熬夜的熬润之

YOLOv5-OBB 训练避坑笔记在本次实验中，我需要完成 YOLO 在 OBB（Oriented Bounding Box）任务下的 baseline 对比。当前 Ultralytics 体系中的 YOLOv8、YOLOv11、YOLOv26 都具备原生 OBB 支持，因此可以直接训练和评估。

yolov8检测模型pt转rknn前言：步骤是pt转onnx再转rknn。以下有些要点，请看代码备注。一、pt2onnx.py二、onnx转rknn onnx2rknn.py 注意点

一场关于红绿灯检测项目的辩论赛——YOLOv26我在做这个红绿灯检测项目的时候想训练一个YOLOv26的模型，实现检测红绿灯颜色，箭头方向，倒计时等等目标，但是我发现有多种方案可以实施，而我不确定哪个较好，最终我让Grok和DeepSeek给出了两个方案，并让他们进行了一场辩论，DeepSeek前期占上分，后面突然出现很大状况直接落败！Grok则稳扎稳打，过程十分精彩！

AAttn区域注意力机制改进YOLOv26特征感知与表达能力提升在目标检测领域,注意力机制已成为提升模型性能的关键技术。传统的注意力机制往往关注全局或局部特征,但在处理复杂场景时可能无法有效捕捉不同区域的重要性差异。本文介绍一种基于区域注意力(Area Attention, AAttn)的YOLOv26改进方法,通过多头区域注意力机制增强模型对不同空间区域的感知能力,显著提升特征表达质量。

智慧AI甲骨文检测目标检测图像数据集甲骨文识别第10341期聚焦目标检测任务，类别划分明确，仅含 2 个核心细分类别，标注方向集中类别设置贴合目标检测模型训练需求，无冗余类别，降低模型学习干扰

嵌入式吴彦祖

yolo简述和训练原理pip install ultralyticsultralytics 是一个统一的 Python 库，而非单一版本的 YOLO 模型。执行 pip install ultralytics 安装的是整个工具框架，它内部集成并支持从 YOLOv3 到最新 YOLO11 等所有主流版本。

AdaptiveConv动态权重卷积改进YOLOv26自适应特征提取能力传统卷积神经网络使用固定的卷积核权重进行特征提取,这种静态的特征提取方式在面对多样化的输入内容时缺乏灵活性。为了增强模型的自适应能力,本文介绍一种基于动态权重调整的AdaptiveConv(自适应卷积)改进方法。该方法通过全局上下文信息动态生成通道权重,实现内容自适应的特征提取,显著提升YOLOv26在复杂场景下的检测性能。

ADown高效下采样改进YOLOv26目标检测性能提升在目标检测领域，下采样操作是网络架构中的关键组件，它不仅负责降低特征图的空间分辨率，还承担着提取多尺度特征的重要任务。传统的下采样方法通常采用步长为2的卷积或池化操作，虽然简单有效，但在信息保留和计算效率之间难以取得最佳平衡。本文将深入探讨ADown（Adaptive Down-sampling）模块如何通过创新的双路径设计改进YOLOv26的下采样策略，在保持计算效率的同时显著提升检测性能。