目标检测

快速上手大模型：深度学习11（数据增强、微调、目标检测）目录1 数据增强（Data Augmentation）1.1 概念1.2 增强方法1.2.1 翻转1.2.2 切割

深度学习lover

＜项目代码＞yolo遥感航拍船舶识别＜目标检测＞项目代码下载链接点击下载项目代码https://download.csdn.net/download/qq_53332949/92363727YOLOv8是一种单阶段（one-stage）检测算法，它将目标检测问题转化为一个回归问题，能够在一次前向传播过程中同时完成目标的分类和定位任务。相较于两阶段检测算法（如Faster R-CNN），YOLOv8具有更高的检测速度和实时性。

无人机方面数据集目标检测分割分类数据集汇总介绍无人机在应用方面依托各类数据集的支持，已在多个领域展现出强大的功能与潜力，以下是一些主要应用方向：futureflsl/drone-dataset 是一个专注于无人机视觉领域的综合性数据集项目，旨在为计算机视觉和无人机相关研究提供宝贵的数据资源。该项目由研究者 futureflsl 创建和维护，汇集了多个具有针对性的子数据集，覆盖了目标检测、跟踪、语义分割等多个核心任务。

Coovally AI模型快速验证

基于SimCLR的自监督 YOLO：YOLOv5/8也能在低标注场景目标检测性能飙升自监督学习的核心思想是：从数据本身自动生成“标签”或“监督信号”，而无需依赖昂贵且耗时的人工标注。想象一下，你教一个孩子认识“猫”。传统方法（监督学习）是拿出一堆猫的图片，每张都告诉他“这是猫”。而自监督学习的方法是，你把一本关于猫的漫画书撕成碎片，然后让孩子自己把这些碎片拼回去。在拼图的过程中，他自然就学会了猫的爪子、尾巴、胡须应该长什么样，以及这些部分是如何组合在一起的。他虽然没有被直接告知“这是猫”，但他通过完成“拼图”这个任务，内化了对猫的认知。

【目标检测】two-stage------Mask R-CNN浅析-2018every blog every motto: There’s only one corner of the universe you can be sure of improving, and that’s your own self. https://blog.csdn.net/weixin_39190382?spm=1010.2135.3001.5343

基于改进YOLOv11n的无人机红外目标检测算法面向无人机红外图像中目标尺度小、对比度低与边界模糊等问题，本文提出了一种基于YOLOv11n模型的多尺度注意力机制优化方法。首先，在引入小目标检测层的基础上，融合多分支与双向金字塔思想构建双向多分支辅助特征金字塔网络，通过可学习权重自适应融合各层特征，增强微小目标表征。其次，在检测头侧采用动态注意力检测头，从尺度、空间与通道三方面进行协同建模，提升关键区域聚焦与特征利用效率。最后，提出NWD-Inner-MPDIoU组合损失函数，协同提升低重叠、边界不清条件下的定位稳定性。在HIT-UAV红外小目标数据集

即插即用系列 | 2024 SOTA LAM-YOLO : 无人机小目标检测模型论文名称：LAM-YOLO: Drones-based Small Object Detection on Lighting-Occlusion Attention Mechanism YOLO

目标检测YOLO[02]：YOLOv8 环境安装-Ubuntu安装 Ubuntu 24 Server 版本后（全部默认安装），默认安装情况下，逻辑卷的容量只有 100G，默认安装的时候，虽然硬盘有 462.7GB 分配给了 LVM，但目前只用了其中的 100GB 创建了一个逻辑卷作为系统根目录。剩余空间仍保留在卷组中，扩展逻辑卷并同时扩展文件系统:

强化学习与机器人控制仿真

Meta 最新开源 SAM 3 图像视频可提示分割模型目录系列文章目录前言一、安装1.1 先决条件二、入门指南2.1 基本用法三、示例3.1 使用SAM 3进行图像分割

【红外小目标检测实战】Yolov11加入SPDConv,HDC,ART等模块接前篇红外小目标实战，加入MicroC3、HDC、ART后，虽说召回率相对于Yolov11 baseline提升了24个点，达到了0.75,但是离0.9的目标还差很远

强盛小灵通专卖员

基于RT-DETR的电力设备过热故障红外图像检测在电力行业中，设备过热故障常常是导致电力事故的主要原因。如何高效、准确地发现电力设备的过热隐患，成为了智能电力设备管理中的一大挑战。随着红外图像检测技术和深度学习算法的飞速发展，基于RT-DETR（Real-Time DEtection Transformer）的电力设备过热故障红外图像检测技术，正成为解决这一难题的关键。

gorgeous(๑>؂<๑）

【ICLR26匿名投稿】Context-Aware ViT：让目标检测真正“看清上下文”的增强策略文章：Enhancing Vision Transformers for Object Detection via Context-Aware Token Selection and Packing

Cambrian-S：迈向视频中的空间超感知https://arxiv.org/abs/2511.04670我们认为，真正多模态智能的进展需要从反应式、任务驱动的系统和暴力长上下文处理转向一个更广泛的超感知范式。我们将空间超感知定义为超越纯语言理解的四个阶段：语义感知（命名所见之物）、流事件认知（在连续体验中维持记忆）、隐式3D空间认知（推断像素背后的世界）以及预测性世界建模（创建过滤和组织信息的内部模型）。当前的基准测试主要只检验早期阶段，对空间认知的覆盖范围狭窄，并且很少以需要真正世界建模的方式来挑战模型。为了推动空间超感知的进展，我们提出了V

即插即用系列 | 2025 SOTA Strip R-CNN 实战解析：用于遥感目标检测的大条带卷积论文名称：Strip R-CNN: Large Strip Convolution for Remote Sensing Object Detection

引入基于加权 IoU 的 WiseIoU 回归损失以提升 CT 图像检测鲁棒性目前我的模型还差一个创新点，由于已经修改了backbone和AIFI，并且rt-detr的检查头不太好修改，CCFF这个模块我又不太想动它，目前就只能尝试修改损失函数

基于VUE和FastAPI的行人目标检测系统这是一个前后端分离的目标检测系统，前端使用VUE，使用Ant Design Pro项目构建的界面，其技术栈包括Vite、TypeScript和Element Plus（VUE3框架），后端使用Python语言，web框架使用FastAPI，算法基于Ultralytics库，包括最新的YOLO检测模型

YOLO11实例分割训练任务——从构建数据集到训练的完整教程实例分割的核心是"既要识别目标类别，又要勾勒目标轮廓"，这决定了YOLO11分割数据集与传统检测数据集的本质区别。在动手构建前，必须先明确其核心定义和格式规范。

2025 | 哈工大&鹏城实验室等提出 Cascade HQP-DETR：仅用合成数据实现SOTA目标检测，突破虚实鸿沟！在计算机视觉领域，目标检测模型通常需要大量带有人工标注的数据集来进行训练，这个过程既耗时又费力。为了解决这个问题，研究者们提出了虚拟监督目标检测（Imaginary Supervised Object Detection, ISOD）这一新方向，即模型在合成的虚拟图像上训练，但在真实的图像上进行测试。然而，现有的虚拟监督方法面临着合成数据质量差、模型容易过拟合合成图像的特定模式以及无法有效处理自动标注带来的噪声等难题。

热爱生活的五柒

多模态遥感目标检测模型SM3Det：一站式多模态遥感目标检测！开启遥感检测新任务SM3Det 是一种面向遥感场景的多模态三分支多尺度融合目标检测框架，分别对光学、SAR与地理先验进行特征编码并在检测头前实现跨模态融合以提升检测精度与稳健性。

【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程点击链接：更多数据集与系统目录清单【数据集】yolov8中药分类检测数据集 9709 张，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。