目标检测

肺炎链球菌目标检测 _ 基于ContextGuidedDown的YOLOv5改进实现肺炎链球菌是一种常见的致病菌，能够引起肺炎、脑膜炎等多种严重疾病。在医学影像分析中，快速准确地检测肺炎链球菌对于疾病的早期诊断和治疗至关重要。🧬🔬 本文将介绍如何基于YOLOv5框架，结合ContextGuidedDown模块，实现肺炎链球菌的高精度目标检测。

【深度学习】【目标检测】使用RetinaNet-R101-FPN模型实现建筑设备物体检测_1嘿，小伙伴们！今天我们要一起探索如何使用RetinaNet-R101-FPN模型来实现建筑设备的物体检测。想象一下，在大型建筑工地上，能够自动识别各种机械设备，是不是超级酷？🤖 这不仅能提高工作效率，还能大大减少人工巡检的成本和风险！

Coovally AI模型快速验证

是什么支撑L3自动驾驶落地？读懂AI驾驶与碰撞预测就在昨天，中国首批L3级自动驾驶车辆正式获得上路许可，标志着我国无人驾驶正式迈入“商业化应用”新纪元。这意味着，在法规允许的路段和条件下，驾驶员可以将车辆完全交由系统操控——而这一切的安全基石，正是车辆精准的环境感知与超前预测能力。当系统掌控方向盘时，它必须能预判那些瞬息万变的风险：譬如相邻车道的突然加塞、行人从视觉盲区步入车道，或是电动车在路口毫无征兆的变向。这些瞬间，正是碰撞预测技术核心价值所在。

Coding茶水间

基于深度学习的水果检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的水果检测系统演示与介绍随着计算机视觉技术的快速发展，基于深度学习的目标检测方法在农业、食品工业及日常生活中的应用不断拓展。水果检测作为其中的重要场景，不仅能为采摘、分拣、销售等环节提供自动化支持，也在智能零售、营养分析与教育教学等领域展现出广泛价值。然而，现有水果检测系统在应对多品类、多形态、复杂背景的实际环境时，仍面临识别精度、检测速度及交互便捷性等方面的挑战。

卡簧目标检测基于改进YOLO11-C3k2-Star模型的实现在工业自动化检测领域，卡簧作为常见的紧固件，其质量控制至关重要。然而，卡簧尺寸小、形态多样、背景复杂等特点给传统检测方法带来了巨大挑战。今天，我要分享一种基于改进YOLO11-C3k2-Star模型的卡簧检测方案，这个方案在精度和速度上都取得了令人满意的效果！🚀

德卡先生的信箱

深度学习图像处理（3）----二阶段目标检测随着深度学习模型效果的优化，基于深度学习的目标检测算法盖过了传统计算机视觉中的目标检测算(DPM)，从而导致很多之前研究传统目标检测算法的人员转向深度学习，并且现在工业界中应用最多的目标检测方式以深度学习为主。其中R-CNN是奠定深度学习方向发展目标检测的的基础算法，是第一个真正可以工业级应用的目标检测解决方案，是结合区域提名(Region Proposal)和卷积神经网络(CNN)的一种目标检测算法。

serve the people

tensorflow 零基础吃透：TensorFlow 张量切片与数据插入（附目标检测 / NLP 实战场景）张量切片（提取子部分）和数据插入是TensorFlow处理结构化数据的核心操作，广泛用于目标检测（特征路由、选框特征提取）、NLP（单词遮盖、序列切片）等场景。本文拆解「张量切片」「数据插入」两大核心模块，结合实战示例讲清tf.slice/tf.gather/tf.scatter_nd等API的用法、原理和场景适配。

德卡先生的信箱

深度学习图像处理（2）----一阶段目标检测从2015年的YOLOv1，2016年YOLOv2，2018年的YOLOv3，再到2020年的YOLOv4()和YOLOv5(6月9日)，2021年的YOLOX，YOLO系列在不断的进化发展。

心疼你的一切

计算机视觉_CNN与目标检测实战计算机视觉（Computer Vision, CV）是人工智能领域的一个重要分支，致力于让计算机能够理解和解释视觉信息。从图像分类到目标检测，从图像分割到场景理解，计算机视觉技术已经广泛应用于自动驾驶、医疗诊断、安防监控等多个领域。本文将深入探讨卷积神经网络（CNN）的原理及其在目标检测中的应用。

翠鸟目标检测：Faster-RCNN_HRNetV2p-W18-1x_COCO配置与训练该数据集名为ASV，于2022年5月26日创建，采用CC BY 4.0许可证授权。数据集通过qunshankj平台导出，该平台为端到端计算机视觉平台，支持团队协作、图像收集与组织、非结构化图像数据理解与搜索、标注、数据集创建、模型训练与部署以及主动学习等功能。数据集包含194张图像，所有车辆（实际为翠鸟）均以YOLOv8格式进行标注。每张图像均经过预处理，包括像素数据自动定向（剥离EXIF方向信息）和拉伸至300x300像素大小。为增强数据集，对每张原始图像创建了三个版本，应用了随机亮度调整（-25%至+

心疼你的一切

自然语言处理_NLP与Transformer架构自然语言处理（Natural Language Processing, NLP）是人工智能领域中专注于计算机与人类语言交互的分支。随着深度学习技术的发展，NLP取得了突破性进展，特别是在2017年Transformer架构提出之后。本文将深入探讨NLP的核心概念、技术发展，以及Transformer架构的革命性影响。

智能拖拉机目标检测：改进Faster R-CNN的实践与优化在现代农业发展中，智能农业装备正逐渐成为提高农业生产效率的重要工具。拖拉机作为农业生产中最常用的机械设备之一，其智能化水平直接影响着农业生产的精准度和效率。🌾 本文将分享我们团队在智能拖拉机目标检测方面的实践与优化经验，重点介绍如何改进经典的Faster R-CNN模型，使其能够更准确地识别拖拉机及其作业状态。

MODA：首个用于航空图像中多光谱目标检测的挑战性基准航空目标检测在实际场景中面临重大挑战，如小目标和广泛背景干扰，这些因素限制了基于RGB的检测器性能，因其缺乏足够的判别信息。多光谱图像(MSIs)捕获了多个波段的额外光谱线索，提供了有前景的替代方案。然而，训练数据的缺乏一直是挖掘MSIs潜力的主要瓶颈。为解决这一差距，我们引入了首个用于航空图像中多光谱目标检测(MODA)的大规模数据集，该数据集包含14,041张MSIs和330,191个标注，涵盖多样且具有挑战性的场景，为该领域提供了全面的数据基础。此外，为克服使用MSIs进行航空目标检测固有的挑战，我

智驱力人工智能

高速公路无人机车流密度监测构建动态交通新维度基于YOLOv8的无人机车辆检测算法边缘计算无人机交通监测设备在智慧交通体系加速建设的当下，高速公路的管理正从静态、被动响应，转向动态、主动干预。然而，传统固定探头存在视野盲区、难以快速机动部署的固有缺陷，尤其在应对突发事故、节假日大流量或恶劣天气时，难以提供全局、实时的路况态势感知。近期，一些重大交通事件因信息获取延迟导致疏导不力，凸显了现有监测体系的短板。在此背景下，融合无人机平台与视觉分析技术的高速公路无人机车流密度监测方案，作为一种灵活的“空中之眼”，正成为补齐监测网络、提升管理韧性的关键创新。

基于YOLOv8-Slimneck-WFU模型的苹果目标检测实现1、主干部分：使用了Focus网络结构，这个结构是在YoloV5里面使用到比较有趣的网络结构，具体操作是在一张图片中每隔一个像素拿到一个值，这个时候获得了四个独立的特征层，然后将四个独立的特征层进行堆叠，此时宽高信息就集中到了通道信息，输入通道扩充了四倍。

训练数据集(三)：真实场景下采集的课堂行为目标检测数据集，可直接用于YOLO各版本训练训练集验证集测试集课堂行为目标检测数据集及训练模型：用于YOLO模型训练的高质量数据集及模型

Coding茶水间

基于深度学习的肾结石检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)基于深度学习的肾结石检测系统演示大家好，欢迎来到「Coding茶水间」！在日常医学影像工作中，肾结石的筛查往往需要医生仔细阅片，不仅耗时，还容易受到主观因素影响。为了让这一过程更高效、更客观，我们基于当前热门的 YOLO 目标检测算法，开发了一套肾结石检测系统。这套系统能够自动分析肾脏影像，快速判断其中是否存在肾结石，并标出位置和置信度，支持图片、视频、文件夹批量以及摄像头实时检测。

【YOLOv5seg部署RK3588】模型训练→转换RKNN→开发板部署已在GitHub开源与本博客同步的YOLOv5_RK3588_Imgae_Segmentation项目，地址：https://github.com/A7bert777/YOLOv5_RK3588_Imgae_Segmentation 详细使用教程，可参考README.md或参考本博客第六章模型部署

ShiftwiseConv: Small Convolutional Kernel with Large Kernel Effect论文下载地址：https://arxiv.org/abs/2401.12736论文代码地址：https://github.com/lidc54/shift-wiseConv