目标检测

才不做选择

基于 YOLOv8 的部落冲突 (Clash of Clans) 目标检测系统《部落冲突》(Clash of Clans) 是一款风靡全球的策略类手机游戏。在游戏中，玩家需要通过识别敌方的防御建筑布局来制定进攻策略。本项目旨在利用深度学习技术，特别是 YOLOv8 目标检测算法，实现对游戏场景中关键建筑（如大本营、天鹰火炮、地狱塔、英雄王座等）的自动识别与定位，为自动化辅助工具或游戏数据分析提供技术基础。

传统监控事后难追责？AI 违规识别智能系统让响应时间缩短痛点直击：2023年全国商业街区安全事件60%源于车辆违规（消防通道占停、逆行穿行），30%源于人员异常（斗殴、明火、夜间滞留）。传统监控“事后调取”，安保巡逻覆盖率<40%，响应时间平均7分钟，事故发生后“追责容易、预防难”。

SPDC-YOLO：基于改进YOLOv8的高效无人机航拍图像小目标检测网络https://www.mdpi.com/2072-4292/17/4/685 无人机图像中的目标检测在交通安全、应急救援和环境监测等领域具有重要意义。然而，无人机拍摄的图像通常具有多尺度特征、背景复杂、光照不均和目标分辨率低等特点，这使得无人机图像中的目标检测极具挑战性。为了应对这些挑战，本文提出了一种基于YOLOv8的新型模型——SPDC-YOLO。在骨干网络中，该模型移除了最后一个C2f模块和最终的下采样模块，从而避免小目标特征的丢失。在颈部网络中，本文提出了一种新的特征金字塔——SPC-FPN，它

智驱力人工智能

在安全与尊严之间特殊人员离岗检测系统的技术实现与伦理实践高风险人员脱岗预警人员离岗实时合规检测监狱囚犯脱岗行为AI分析方案在精神卫生中心、养老机构、重症监护室以及强制隔离戒毒所等场所，对“特殊人员”（如精神病患者、失智老人、危重病人、未决犯）的监护，是法律、伦理与专业责任的核心要求。传统的“人盯人”或定时巡查模式，不仅耗费巨大人力，且存在反应滞后、疲劳疏忽的风险。一旦发生未经许可的离岗（如患者擅自离院、老人意外走失），后果往往十分严重，并易引发重大社会舆情。因此，利用视觉分析技术构建的特殊人员离岗检测系统，正逐渐从辅助工具转变为关键基础设施。然而，与普通安防不同，这一系统的构建与应用，必须在技术创新与人文伦理、有效监护与

【人工智能】基于YOLO11-C3k2-LFE模型的LED灯目标检测与识别系统研究在深度学习项目中使用PyTorch实现YOLO11-C3k2-LFE模型极其简单，只需在requirements.txt中添加必要的库：

【YOLO数据集】水稻病害目标检测水稻作为全球半数以上人口的主粮，其稳定生产关乎粮食安全与社会稳定。然而，水稻在生长周期内容易受到稻瘟病、纹枯病、白叶枯病等多种病害的侵袭，这些病害若不及时识别与防控，将导致严重的产量与品质损失。传统的病害识别主要依赖农业专家田间目视检查，这种方法不仅效率低下、主观性强，且难以应对大面积监测的需求，易错过最佳防治时机。随着精准农业与人工智能技术的快速发展，基于计算机视觉的病害自动检测技术应运而生，为实现高效、无损、大规模的病害早期诊断与精准防控提供了革命性工具。特别地，基于深度学习的目标检测方法（如YOLO

吾在学习路

【经典论文阅读】完整梳理 FCOS (Fully Convolutional One-Stage Object Detection)🔍 举个例子：在一张 800×800 的图上，用特征金字塔（FPN）生成 5 层特征图，每层每个位置放 9 个 anchor（不同大小/比例），总计约 18 万个预设框——其中 >99% 是负样本（无物体），训练极不均衡。

【37】行人与车数据集(有v5/v8模型)/YOLO行人与车检测➷点击跳转至数据集及模型获取处☇图片数量17258张，已标注txt格式训练集验证集按15258:2000划分，可直接用于目标检测训练

【YOLO数据集】船舶检测随着全球海洋经济的蓬勃发展与航运业年均 5.7% 的稳定增长，船舶作为海上运输核心载体，其数量与种类持续扩容，对船舶实时检测、识别的精准性与时效性提出了更高要求，该技术已成为保障海上交通安全、海洋资源管理、海岸线安防及军事防御部署的关键支撑。然而传统船舶检测依赖人工目视观察或雷达系统，存在显著瓶颈：复杂海况下光学传感器识别率骤降至 68%，易引发漏检风险；雷达系统处理时延≥3 秒，难以满足实时避障等应急需求，且单套高精度雷达成本超 200 万美元，规模化部署受限。同时，海上船舶在遥感图像中常呈现任意方向排

程序员爱德华

基于YOLOv8的车辆行人检测系统这是一个基于YOLOv8的车辆行人检测系统。用户客户端界面：使用Qt中的PySide6。TrafficTracker是一个基于YOLOv8深度学习模型开发的智能交通监控系统，能够实时检测和追踪图像/视频中的行人和各类车辆。系统提供了直观的用户界面，支持批量处理、结果可视化和数据统计等功能，适用于交通监控、智能交通管理、安全防控等场景。

【38】混凝土裂缝数据集(有v5/v8模型)/YOLO混凝土裂缝检测➷点击跳转至数据集及模型获取处☇图片数量3458张，已标注txt格式训练集验证集测试集按3026:288:144划分可以直接用于目标检测训练

gorgeous(๑>؂<๑）

【南开大学-范登平组-arXiv25】Context-measure：用于伪装目标检测的情境化度量指标文章：Context-measure: Contextualizing Metric for Camouflage

【YOLO数据集】车辆类型检测随着智能交通系统（ITS）的高速演进与智慧城市建设的深入推进，车辆类型精准识别已成为交通流量管控、违章执法取证、停车场智能管理及自动驾驶环境感知的核心技术支撑。当前城市路网中乘用车、商用车、特种作业车等多类型车辆混行特征显著，据统计，我国城市主干道高峰时段车辆类型占比波动幅度可达 40% 以上，这对识别算法的鲁棒性与适应性提出了严苛要求。然而传统车辆类型识别方法存在诸多局限：基于人工特征提取的算法易受光照突变、天气干扰、车辆遮挡等复杂场景影响，识别准确率不足 75%；基于多阶段检测的深度学习模型虽精度有所

才不做选择

基于 YOLOv8 的水果智能识别系统本项目是基于深度学习（YOLOv8）和 PyQt5 开发的水果智能识别系统。能够对图片、视频文件以及摄像头实时画面中的水果进行检测和识别。通过 GPU 加速推理，实现了高精度、低延迟的实时检测。

物流场景中的人员与设备目标检测-YOLOV8无NMS改进方案详解物流场景中的目标检测是现代智能物流系统的重要组成部分。无论是仓库内的货物管理，还是配送中心的人员调度，准确识别人员与设备都至关重要。YOLOV8作为当前最先进的目标检测模型之一，在物流场景中展现出优异的性能。然而，传统的YOLOV8在处理密集目标时，NMS（非极大值抑制）步骤往往成为性能瓶颈。本文将详细介绍一种无NMS的改进方案，显著提升物流场景中的人员与设备检测效率。

YOLO与SAM实战：目标检测与图像分割的高效融合方案《博主简介》小伙伴们好，我是阿旭。专注于计算机视觉领域，包括目标检测、图像分类、图像分割和目标跟踪等项目开发，提供模型对比实验、答疑辅导等。

夏天是冰红茶

YOLO目标检测数据集扩充因为项目的原因，数据集的数量只有几百张，训练的效果很差，所以想对数据集进行数据扩充，因此本文会系统的讲解一下符合yolo格式的数据扩充方式。

大学生毕业题目

毕业项目推荐：91-基于yolov8/yolov5/yolo11的井盖破损检测识别（Python+卷积神经网络）往期经典回顾具体项目资料请看项目介绍大全人工智能(AI)在市政运维领域的应用日益广泛，其中基于深度学习的井盖破损检测识别成为一个备受关注的研究方向。通过利用计算机视觉和深度学习技术，我们可以自动识别城市道路井盖的破损、缺失、沉降、移位等异常状态，提高市政设施运维的巡查效率与管控精准度。本文将介绍基于深度学习的井盖破损检测识别系统，并提供一个简单的Python代码实现，以便读者更好地了解这一技术。

YOLOv26鱼类目标检测与计数任务实现与优化在智慧渔业和海洋生态研究中，鱼类目标检测与计数是一项关键任务。YOLOv26作为最新的目标检测模型，以其高精度和实时性能，为鱼类识别提供了强大的技术支持。

雍凉明月夜

深度学习之目标检测(1)核心概念：IOU交并比IOU（Intersection over Union）交并比是目标检测、实例分割等任务中，衡量预测框（Prediction Box）与真实框（Ground Truth Box）重叠程度的核心指标。