目标检测

雨雾天气交通目标检测数据集：8类别、5,200张图像 | 目标检测链接: https://pan.baidu.com/s/1H8eSFTu0lkrHPxVrObjRJg?pwd=djjq

皓悦编程记

【免费数据集010期】Grape Leaf Diseases 葡萄叶病害检测数据集（4类）：面向智慧农业的叶片病害识别基准Grape Leaf Diseases数据集是一个专注于葡萄叶片病害检测的专业计算机视觉数据集，专为智慧农业领域的病害自动识别任务构建。该数据集针对葡萄种植中常见的叶片病害问题，收集了真实种植场景下的叶片图像并完成专业标注，为病害检测算法的训练与评估提供了可靠基准。

道路车辆目标检测数据集：8类别、2,600张图像 | 目标检测链接: https://pan.baidu.com/s/1T5qDwZWsZngO4CqHt5kUvg?pwd=iafz

Ultralytics：解读C3k2模块Ultralytics 基于多年的计算机视觉和人工智能基础研究，创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性，快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。

tiktok-person-detection || tiktok-scene-detectionlicense: apache-2.0 language:基于深度MLP（多层感知器）的TikTok视频人物检测模型，能够检测视频中是否存在人物，以及人物的身体和脸部特征。

YOLOv11道路桥梁裂缝与坑洼目标检测数据集该数据集提供了data.yaml文件，内容如下：YOLOv11道路桥梁裂缝与坑洼目标检测数据集该数据集专注于道路及桥梁表面病害的精准检测，涵盖了纵向裂缝、横向裂缝、龟裂以及坑洼等多种典型病害类型。通过高分辨率航拍图像采集，结合专业标注，为智能道路维护系统提供了高质量的训练样本，具有重要的工程应用价值。

切片辅助超推理（SAHI）：一种用于小目标检测的通用框架摘要在监控应用中，检测场景中的小目标和远距离目标是一项重大挑战。这类目标在图像中仅由少量像素表示，缺乏足够的细节，因此难以使用传统检测器进行检测。本文提出了一个名为切片辅助超推理（SAHI）的开源框架，该框架为小目标检测提供了一种通用的切片辅助推理和微调流程。所提出的技术具有通用性，因为它可以应用于任何现有的目标检测器之上，无需进行任何微调。使用Visdrone和xView航空目标检测数据集上的目标检测基线进行的实验评估表明，所提出的推理方法分别将FCOS、VFNet和TOOD检测器的目标检测AP（平均

皓悦编程记

【YOLO26系列】基于YOLO26的面部表情检测系统【python源码+Pyqt5界面/WEB+数据集+训练代码】本文基于YOLO26模型，开发了一套面向人类面部表情的目标检测系统。项目采用标注完善的面部表情数据集，涵盖9种常见表情类别，包含15000张标注图像；同时提供PyQt5桌面可视化界面与Flask网页界面，集成单张图片检测、文件夹批量检测、视频检测、摄像头实时检测四大核心功能，并支持检测结果本地保存。系统结合YOLO26模型的高精度与实时性优势，可广泛应用于人机交互、情绪识别、用户体验研究等场景。

西柚研究生123456

论文分析9：基于尺度特征交互改进的YOLOv8在低能见度环境下的船舶目标检测[1]俞毅,高迎,陈信强,等.基于尺度特征交互改进的YOLOv8在低能见度环境下的船舶目标检测[J].上海海事大学学报,2025,46(3):29-35.DOI:10.13340/j.jsmu.202407010128.

Arm Ethos‑U65：YOLOv8n 模型准备与 Vela 编译本文是 Arm Ethos‑U65 学习笔记的第四篇，接下来两篇将基于 U65 实现一个 YOLO v8n 目标检测实例，其中本篇完成模型准备与 Vela 编译生成命令流，下一篇将命令流导入芯片仿真环境执行推理验证，整个示例以芯片验证仿真为主线，同时对裸机环境下的软件开发也有一定参考价值。

Ultralytics：解读C3Ghost模块Ultralytics 基于多年的计算机视觉和人工智能基础研究，创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性，快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。

飞凌嵌入式

工业无死角视觉方案：RV1126B平台AVS全景拼接+目标检测AVS（Any View Stitching）全景拼接技术：可以将多路摄像头画面融合拼接为单幅完整图像，从而实现获取更大视野的需求，实现无死角的视频拍摄。

Ultralytics：解读C2fCIB模块Ultralytics 基于多年的计算机视觉和人工智能基础研究，创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性，快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。

钢材表面缺陷目标检测数据集：6类别 | 目标检测通过网盘分享的文件：六类钢材表面缺陷数据集链接: https://pan.baidu.com/s/1xzKKYG7-6SO4MryFZhkDZQ?pwd=k1ek 提取码: k1ek

YOLOv11马匹皮肤病目标检测数据集该数据集提供了data.yaml文件，内容如下：YOLOv11马匹皮肤病目标检测数据集该数据集专注于马匹常见皮肤病的识别与分类，通过高精度标注为农业养殖、兽医诊断及动物健康管理提供了可靠的数据支持。数据集涵盖了多种典型皮肤病类型，包括过敏性皮炎、皮炎、疥癣和环形皮肤病，并包含健康的马匹作为对比样本，具有明确的应用价值。

面向野外无人机主动目标检测：大规模数据集、基准与方法作者：Tianpeng Liu, Xinhua Jiang, Li Liu, Qinmu Shen, Siwei Tang, Zhen Liu, Yongxiang Liu

QN1幻化引擎

DalinX V8 — 整体能力地图与 AGI 阶段评估报告日期: 2026-07-15 基准版本: 6e1eecc (HEAD) 诚实边界: 意识理论驱动认知架构, 作者QN1幻化引擎贾大林石家庄。现象意识=研究中/未证明; ASI=架构目标非当前事实。绝不宣称已造有意识 ASI。

Ultralytics：解读AConv模块Ultralytics 基于多年的计算机视觉和人工智能基础研究，创建了最先进的 (SOTA) YOLO 模型。我们的模型不断更新性能和灵活性，快速、准确且易于使用。他们擅长对象检测、跟踪、实例分割、语义分割、图像分类和姿势估计任务。

数聚天成DeepSData

自动驾驶感知数据集选型指南：目标检测、分割、车道线、车牌识别摘要：本文梳理了自动驾驶感知任务中常用的公开数据集，涵盖综合感知（KITTI/nuScenes/Waymo/BDD100K）、语义/实例分割（Cityscapes/Mapillary）、车道线检测（TuSimple/CULane/LLAMAS）与车牌识别（CCPD/OpenALPR），横向对比各数据集的传感器配置、标注类型、场景规模与授权限制，并总结了按任务选型的方法以及商用授权、地域差异、隐私合规等常见注意事项，帮助读者快速定位适合自身项目的数据集。

校园异常行为目标检测数据集：5类别 | 目标检测通过网盘分享的文件：5类校园公共区域安防异常行为检测数据集链接: https://pan.baidu.com/s/1GvO-uK9jwliieCRyUSVIKg?pwd=9v2t 提取码: 9v2t