目标检测

U-net系列U-net+++ 在 U-net++ 基础上进一步优化 “特征整合策略”，重点解决 “低阶特征与高阶特征的跨尺度融合” 问题，结构相对复杂，日常应用中较少作为首选，仅作技术拓展了解。

学技术的大胜嗷

如何裁剪YOLOv8m的大目标检测头并验证其结构YOLOv8在速度和精度之间取得了卓越的平衡。然而，在许多实际应用场景中，我们可能并不需要模型具备检测所有尺寸目标的能力。例如，在针对行人或常规车辆的监控场景中，对超大尺寸目标的检测能力就显得有些多余。

Sunhen_Qiletian

高性能人工智能目标检测开山篇----YOLO v1算法详解（上篇）目录01 YOLO系列算法概览02 One-stage与Two-stage检测方法对比03 YOLO v1的核心思想

AI妈妈手把手

YOLO V2全面解析：更快、更准、更强大的目标检测算法在目标检测领域，YOLO V1无疑带来了一场革命性的变革。然而，正如所有初代产品一样，YOLO V1也存在一些明显的局限性：定位不够准确、对小目标检测效果差、召回率较低等问题逐渐凸显。

过往入尘土

YOLOv5：实时目标检测的现代化实践与深度解析在计算机视觉的广阔领域中，目标检测一直是一项核心且具有挑战性的任务。它不仅要识别出图像中有什么物体，还要精准地定位出它们的位置。从早期的R-CNN系列两阶段检测器（先产生候选区域，再对区域进行分类）到以YOLO、SSD为代表的单阶段检测器，技术的演进始终围绕着速度与精度的平衡。

B站计算机毕业设计之家

计算机视觉：pyqt5+yoloV5目标检测平台 python实战 torch 目标识别大数据项目目标跟踪（建议收藏）✅博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌ > 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

计算机视觉——从环境配置到跨线计数的完整实现基于 YOLOv12 与质心追踪器的实时人员监控系统在本课中，我们将继续探索 YOLOv12，它是第一个融入注意力机制的 YOLO 模型——包括 RELAN、区域注意力（Area Attention）以及用于快速推理的可选 FlashAttention 支持等创新。正如我们在上一个教程中所介绍的，YOLOv12 引入了一个灵活的架构，支持先前版本（例如 YOLOv11 和 YOLOv8）提供的所有主要任务，包括目标检测、分割、分类和姿态估计。

weixin_45734021

VOC XML 旋转框转换为 YOLO OBB 格式VOC XML 旋转框转换为 YOLO OBB 格式: 输入：VOC XML (cx, cy, w, h, angle) 输出：YOLO OBB (class_id x1 y1 x2 y2 x3 y3 x4 y4) - 归一化坐标

这张生成的图像能检测吗

（论文速读）超像素引导低光图像增强与特征恢复论文题目：Super-Pixel Guided Low-Light Images Enhancement with Features Restoration（超像素引导低光图像增强与特征恢复）

开源图像与视频过曝检测工具：HSV色彩空间分析与时序平滑处理技术详解本文基于开源图片的过曝检测项目，开发出视频的过曝检测项目。在图像或视频中，“过曝”是指画面因接收的光线过强，导致部分或全部区域亮度异常偏高，细节彻底丢失的视觉缺陷。

自监督 YOLO：利用对比学习实现标签高效的目标检测YOLO 系列等单阶段目标检测器在实时视觉应用中实现了最先进的性能，但其训练仍严重依赖大规模标注数据集。本文系统研究了对比自监督学习（Self-Supervised Learning, SSL）作为一种减少该依赖性的手段，通过在未标注图像上使用 SimCLR 框架对 YOLOv5 和 YOLOv8 的骨干网络进行预训练。我们提出了一种简单而有效的流程：将 YOLO 的卷积骨干网络作为编码器，采用全局池化和投影头，并利用 COCO 未标注数据集（12 万张图像）的增强视图优化对比损失。随后，将预训练好的骨干

【数据集】【YOLO】【目标检测】口罩数据集，口罩佩戴识别数据集 1971 张，YOLO佩戴口罩检测算法实战训练教程。【数据集】口罩佩戴检测数据集 1971 张，目标检测，包含YOLO/VOC格式标注。数据集中包含1种分类：{'0': 'face_mask'}，佩戴口罩。

深度学习lover

＜项目代码＞yolo螺丝螺母识别＜目标检测＞项目代码下载链接YOLOv8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。

AI妈妈手把手

深入浅出Faster R-CNN：目标检测的里程碑算法在日常生活中，我们经常需要让计算机"看懂"图像——不仅仅是知道图像里有什么，还要知道这些东西在什么位置。这就是目标检测（Object Detection）的任务：在图像中找出感兴趣的目标（物体），并确定它们的位置和类别。

昵称是6硬币

YOLO26论文精读（逐段解析）YOLO26：实时目标检测的关键架构改进与性能基准测试论文地址：https://arxiv.org/abs/2509.25164

【数据集】【YOLO】【目标检测】农作物病害数据集 11498 张，病害检测，YOLOv8农作物病虫害识别系统实战训推教程。【数据集】农作物病害识别数据集 11498 张，目标检测，包含YOLO/VOC格式标注。数据集中包含30种分类：names: ['Apple Scab Leaf', 'Apple leaf', 'Apple rust leaf', 'Bell_pepper leaf spot', 'Bell_pepper leaf', 'Blueberry leaf', 'Cherry leaf', 'Corn Gray leaf spot', 'Corn leaf blight', 'Corn rust leaf',

少林and叔叔

基于yolov5.7.0的人工智能算法的下载、开发环境搭建（pycharm）与运行测试1、在yolov5的官方下载7.0的版本的yolov5的源码，如下所示：https://github.com/ultralytics/yolov5/tags

【数据集】【YOLO】【目标检测】建筑垃圾数据集 4256 张，YOLO建筑垃圾识别算法实战训推教程。【数据集】建筑垃圾识别数据集 4256 张，目标检测，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['Construction-Waste']，代表建筑垃圾。

深度学习lover

＜数据集＞yolo煤矿安全帽识别数据集＜目标检测＞点击下载数据集https://download.csdn.net/download/qq_53332949/92206119数据集格式：VOC+YOLO格式

FMC-DETR：面向航拍视角目标检测的频域解耦多域协同方法https://arxiv.org/pdf/2509.23056—航拍视角目标检测是自然资源监测、交通管理和无人机搜救等现实应用中的一项关键技术。在高分辨率航拍图像中检测微小目标一直是一个长期存在的挑战，原因在于其有限的视觉线索以及在复杂场景中建模全局上下文的困难。现有方法常常受到上下文融合延迟和非线性建模不足的阻碍，无法有效利用全局信息来优化浅层特征，从而遭遇性能瓶颈。为了解决这些挑战，我们提出了 FMC-DETR，一种用于航拍视角目标检测的新型框架，其核心是频域解耦融合。首先，我们引入了小波-柯尔莫哥