目标检测

耳机听筒检测与识别 Ear_Piece和Head_Phone目标检测改进版freeanchor_r101_fpn_1x_coco模型_1该博客介绍了如何使用改进的YOLO代码框架来优化耳机听筒检测与识别模型，特别是针对Ear_Piece和Head_Phone目标检测的改进。通过集成FreeAnchor和R101-FPN架构，作者提供了详细的配置和代码实现步骤，包括在common.py和yolo.py中的修改，以及训练模型的指令。博客还包括了之前YOLO系列改进的教程链接，涉及多种注意力机制和模型优化技术。

目标检测数据集 - 鹦鹉检测数据集下载数据集点击蓝色链接下载 (若想要更多数量数据集请联系博主 ~)：目标检测数据集下载大全传送：目标检测数据集大全「包含VOC+COCO+YOLO三种格式+划分脚本+训练脚本」(持续原地更新)

【房屋建筑目标检测】基于Decoupled-Solo模型的建筑检测方法实现与优化_r50_fpn_1x_coco本数据集为房屋建筑目标检测数据集，采用YOLOv8格式标注，共包含380张图像。数据集由qunshankj用户提供，遵循CC BY 4.0许可协议。在预处理阶段，所有图像均进行了像素数据的自动方向调整（包括EXIF方向信息剥离）并拉伸至640×640像素尺寸。为增强数据集的多样性，通过数据增强技术为每张源图像创建了三个版本，增强方法包括50%概率的水平翻转以及等概率选择不旋转、顺时针旋转90度或逆时针旋转90度中的一种。数据集分为训练集、验证集和测试集三个部分，仅包含一个类别’house’，适用于房屋建筑

【目标检测实战】：绿芦笋目标检测_faster-rcnn_r50-caffe-dc5_ms-1x_coco模型训练本数据集为绿芦笋目标检测数据集，采用CC BY 4.0许可协议发布，由qunshankj平台用户提供。数据集包含360张绿芦笋图像，所有图像均已进行预处理，包括像素数据的自动方向调整（剥离EXIF方向信息）以及拉伸至640x60像素的统一尺寸。为增强数据多样性，每张原始图像通过随机裁剪0%至15%的图像区域生成了3个增强版本，总计1080张图像。数据集采用YOLOv8格式标注，仅包含一个类别：绿芦笋。数据集已划分为训练集、验证集和测试集三部分，适用于训练和评估基于深度学习的绿芦笋目标检测模型。该数据集可用

明月醉窗台

Opencv 之常用跟踪器汇总

家庭日常物品目标检测与识别系统实现_MaskRCNN改进模型应用🏠 家庭环境中的物品识别一直是计算机视觉领域的热门研究方向！随着深度学习技术的飞速发展，我们终于可以在自家实现智能化的物品识别系统啦~ 今天就给大家分享一下如何利用改进的MaskRCNN模型构建一个家庭日常物品目标检测与识别系统，让你的智能家居更上一层楼！🚀

YOLO26：全新的视觉模型来了讲道理，YOLO26开源已经有几天了，今天来说YOLO26属实是有些姗姗来迟。不过好饭不怕晚，目前，计算机视觉的发展诉求越来越不局限于实验室，而是要求从云端下沉到终端设备。当下视觉模型的发展，对于更快的速度，更高的精度提出了更加严格的要求。

手势识别数据集 - 专业级目标检测训练数据本数据集专门用于手势检测与识别任务。数据集采用YOLO标准格式，包含完整的图像和精确的TXT标注文件，可直接用于YOLO系列、Faster R-CNN、SSD等主流目标检测框架的训练。

目标检测之YOLOyolo相比Faster R-CNN速度更快，但是精度有所下降1、原始图片resize到448x448，经过前面卷积网络之后，将图片输出成了一个7x7x30的结构以图示的方式演示 2、默认7x7个单元格，这里用3x3的单元格图演示

目标检测的局限这个问题问得非常好，而且正好击中了工业瑕疵检测里最核心、也最容易被误解的一点。我用不依赖论文、不依赖公式、完全从工业视觉直觉 + 模型行为的角度，给你把这段话彻底讲清楚。

自动驾驶数据标注-L4-L5级别的数据挑战“我们需要标注5000万张图片，但只有6个月时间…”这是某自动驾驶公司CTO的真实困境。L4/L5级别的自动驾驶系统，对数据标注的需求是天文数字级别的。这不是夸张，而是现实。

Yolo11环境配置win+Python+Anaconda--小白目标检测学习专用（超详细）本文基于Anaconda和Pycharm已经安装目录一、下载Yolo11的源代码二、部署环境1.打开Anaconda软件

YOLOv11魔改高效涨点 | 注意力篇 | 坐标注意力CoordAttention：将位置信息硬核嵌入通道，精准捕获长程空间依赖，即插即用，涨点神器！！！近期关于移动网络设计的研究已经证明了通道注意力（例如 Squeeze-and-Excitation 注意力）对于提升模型性能的显著有效性，但它们通常忽略了位置信息，而位置信息对于生成具有空间选择性的注意力图非常重要。在本文中，我们通过将位置信息嵌入通道注意力，提出了一种适用于移动网络的新型注意力机制，我们称之为“坐标注意力” 。与通过 2D 全局池化将特征张量转换为单个特征向量的通道注意力不同，坐标注意力将通道注意力分解为两个 1D 特征编码过程，分别沿两个空间方向聚合特征。通过这种方式，可以沿一个空

YOLOv5-SEAMHead改进：青蛙图像识别与定位实战指南——基于目标检测的精准定位技术详解本数据集为青蛙识别数据集，采用YOLOv8格式标注，共包含493张图像，专用于青蛙目标的检测与识别任务。数据集由qunshankj平台用户提供，于2023年3月20日创建，并于2023年3月26日通过qunshankj平台导出。数据集中仅包含一个类别即’frog’，涵盖了多种青蛙图像样本。每张图像均经过预处理，包括自动调整像素方向（剥离EXIF方向信息）和拉伸至640×640像素的标准尺寸。为增强数据集的多样性和模型鲁棒性，数据集还应用了数据增强技术，为每张原始图像生成了三个不同版本的数据样本。数据集已按

YOLO26：面向实时目标检测的关键架构增强与性能基准测试YOLO26核心总结架构简化：移除分布焦点损失（DFL），简化边界框回归，提升导出兼容性。端到端推理：采用无NMS设计，直接输出检测结果，降低延迟与部署复杂度。

从LabelImg到TjMakeBot-标注工具的进化史在人工智能快速发展的今天，数据标注作为AI模型训练的基础环节，其重要性不言而喻。从2015年第一个开源标注工具的出现，到2025年AI聊天式标注的诞生，数据标注工具经历了从简单到复杂、从手动到智能的进化历程。

Coding茶水间

基于深度学习的吸烟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)基于深度学习的吸烟检测系统演示目录视频演示1. 前言2. 项目演示2.1 用户登录界面2.2 新用户注册

【论文改进】柑桔目标检测：YOLO11-Seg与FocalModulation融合方案🍋 柑桔作为全球重要的经济水果，其种植面积和产量持续增长。然而，在柑桔种植过程中，病虫害检测、果实成熟度评估等任务仍然依赖人工经验，效率低下且容易出错。近年来，计算机视觉技术在农业领域的应用日益广泛，特别是在目标检测方面取得了显著进展。本文将介绍一种基于YOLO11-Seg与FocalModulation的柑桔目标检测融合方案，旨在提高柑桔目标的检测精度和鲁棒性。

yolo26 部署瑞芯微rk3588、RKNN部署工程难度小、模型推理速度快2026年1月15日yolo26 开源了，基于对yolo部署尚且还有的些许热情，还是继续部署搞一下。从2020年yolov5开始，到2025年的yolov13，再到今年2026年的yolo26，用过或没用过每个版本都部署过。自己实际使用的v5、v6、v7、v8，加上这两年没有怎么做单目2D目标检测，从v9及其之后的版本就属于兴趣驱使的去学习了解。

YOLOv8：下一代实时目标检测的全面解析目录一、YOLOv8概述1.1 演进历程1.2 核心定位二、架构创新与设计2.1 整体架构设计2.2 核心改进点