目标识别

weixin_46846685

YOLOv26原理分析及训练评估实战代码YOLOv26，也称YOLO26，是由ultralytics团队在2025年9月发布，而在2026年1月公开源码。也许是出于版本号冲突的考虑，ultralytics团队发布的这一版YOLO版本号并没有延续之前的v11、v12、v13系列，而是以年份26命名。

pointCloudExtractor：一个基于 osgPotree 的 Potree 点云数据提取工具上一节通过OSG插件的方式，成功将Potree点云数据集成至OSG渲染引擎，实现了大规模点云数据的高效加载与可视化呈现(osgPotree:基于OSG的插件，支持Potree点云读取-CSDN博客 )。本节将在上节的基础上，进一步实现一个指定空间范围提取点云数据的工具。源码地址：https://gitee.com/osg_opensource/osg-potree.git

【抗干扰】低SNR环境稳了！AWSPNet赋能MIMO雷达精准识别目标+抑制DRFM干扰【附python代码】AWSPNet：基于注意力机制的双树小波散射原型网络在MIMO雷达目标识别与干扰抑制中的应用基于数字射频存储器（DRFM）的电子对抗技术日益发展，对雷达系统的生存能力和作战效能构成了重大威胁。这类干扰器能够生成大量欺骗性假目标，超出雷达的处理能力并遮蔽真实目标。因此，在低信噪比（SNR）环境下，稳健地区分真实目标与复杂干扰信号的能力至关重要。本文提出一种基于注意力机制的双树小波散射原型网络（AWSPNet），这是一种深度学习框架，旨在同时实现雷达目标识别与干扰抑制。AWSPNet的核心是编码器，其利用双树

无垠的广袤

【工业树莓派 CM0 NANO 单板计算机】YOLO26 部署方案本文介绍了工业树莓派 CM0 NANO 单板计算机结合 OpenCV 和 Ultralytics 库实现 YOLO26 板端部署，并实现目标识别、姿态估计、图像分割、图像分类、旋转框检测的项目设计，包括环境部署、模型获取、关键代码、效果演示等。

无人机识别与跟踪技术：光电探测方式的精准守护随着无人机技术的快速发展，无人机在民用和商用领域的应用日益广泛，但同时也带来了“黑飞”、非法入侵等安全风险。特别是在机场、监狱、政府要害部门、核电站、大型活动现场等敏感区域，无人机的非法飞行可能引发严重后果。因此，反无人机系统（C-UAS）需求迅猛增长，其中光电探测方式以其高精度、直观性和可靠的识别跟踪能力，成为中近距离防御的核心技术。

weixin_46846685

YOLOv13结合代码原理详细解析及模型安装与使用在2015年，YOLO模型问世，YOLO全称为You Only Look Once。顾名思义，YOLO将目标检测任务只分为一个阶段的工作，与2014年提出的两阶段检测的R-CNN模型形成鲜明的区别。

算法打盹中

计算机视觉：安防智能体的实现与应用基于YOLOv8的实时无人机检测与跟踪随着无人机技术在民用与商用领域的快速普及，其在禁飞区域的非法活动已成为公共安全与空域管理的重要挑战。本文提出一种基于计算机视觉与深度学习的自动化解决方案，通过改进YOLOv8模型实现对无人机的实时检测与轨迹跟踪。研究采用Roboflow平台的无人机专用数据集进行模型微调，构建了一套完整的从数据预处理、模型训练到实时推理的技术流程。实验结果表明，该系统在复杂场景下仍能保持87%的检测精确率与81%的召回率，可有效集成至安防监控系统，为低空域安全提供智能化预警支持。

动手学深度学习13.3. 目标检测和边界框-笔记&练习（PyTorch）以下内容为结合李沐老师的课程和教材补充的学习笔记，以及对课后练习的一些思考，自留回顾，也供同学之人交流参考。

深度学习在遥感影像分析中的应用：地物分类、目标识别、图像分割近年来，随着高分辨率对地观测系统的快速发展，遥感影像的数据量呈爆发式增长。如何从海量的遥感数据中高效提取有用信息，成为了一个重要的研究课题。深度学习技术的出现，为遥感影像分析带来了新的机遇和突破。本文将介绍深度学习在遥感影像地物分类、目标识别和分割中的应用，并探讨如何通过实践提升模型性能。

深度卷积神经网络实战无人机视角目标识别本文采用深度卷积神经网络作为核心算法框架，结合PyQt5构建用户界面，使用Python3进行开发。YOLOv8以其高效的实时检测能力，在多个目标检测任务中展现出卓越性能。本研究针对无人机目标数据集进行训练和优化，该数据集包含丰富的无人机目标图像样本，为模型的准确性和泛化能力提供了有力保障。通过深度学习技术，模型能够自动提取无人机目标的特征并进行分类识别。PyQt5界面设计简洁直观，便于用户操作和实时查看检测结果。本研究不仅提高了无人机目标识别的水平，还为无人机目标保护提供了有力支持，具有重要的理论应用价值

AI金融攻防赛：YOLO理论学习及赛题代码进阶(DataWhale组队学习)大家好，我是GISer Liu😁，一名热爱AI技术的GIS开发者。本系列文章是我跟随DataWhale 2024年10月学习赛的AI金融攻防赛学习总结文档。本文主要讲解如何在金融场景凭证篡改检测中应用YOLO算法。我们将从模型概述、数据准备、训练流程以及模型评估等多个方面，详细介绍如何搭建一个高效的目标检测模型。希望我的经验能对大家有所帮助！💕💕😊

科研小白新人上路

基于python深度学习遥感影像地物分类与目标识别、分割实践技术我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小卫星星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中。最近借助深度学习方法，基于卷积神经网络的遥感影像自动地物识别取得了令人印象深刻的结果。深度卷积网络采用“端对端

【总结】CycleGAN+YOLOv8+DeepSORT本文章仅对本人前期工作进行总结，文章内容供读者参考，代码不对外公开CycleGAN是一种用于无配对图像风格转换的深度学习模型，能够在没有成对训练数据的情况下，实现不同域之间的图像风格转换。

计算机视觉——DiffYOLO 改进YOLO与扩散模型的抗噪声目标检测物体检测技术在图像处理和计算机视觉中发挥着重要作用。其中，YOLO 系列等型号因其高性能和高效率而备受关注。然而，在现实生活中，并非所有数据都是高质量的。在低质量数据集中，更难准确检测物体。为了解决这个问题，人们正在探索新的方法。例如，本文提出了一个名为 DiffYOLO 的框架。这可以提高低质量数据集上物体检测的准确性。

【工程应用九】再谈基于离散夹角余弦相似度指标的形状匹配优化（十六角度量化+指令集加速+目标只有部分在图像内的识别+最小外接矩形识别重叠等）继去年上半年一鼓作气研究了几种不同的模版匹配算法后，这个方面的工作基本停滞了有七八个月没有去碰了，因为感觉已经遇到了瓶颈，无论是速度还是效率方面，以当时的理解感觉都到了顶了。年初，公司业务惨淡，也无心向佛，总要找点事情做一做，充实下自己，这里选择了前期一直想继续研究的基于离散夹角余弦相似度指标的形状匹配优化。

华为云开发者联盟

告别繁琐，ModelArts一键解决车牌号识别难题本文分享自华为云社区《基于ModelArts实现车辆车牌号的目标识别》，作者：屿山岛。车辆车牌是车辆的唯一身份标识，能够提供车辆的类型、颜色、归属地等信息，对于交通管理、安全监控、智能出行等领域具有重要的应用价值。随着计算机视觉技术的发展，车辆车牌的自动检测和识别成为了一个热门的研究课题，也有许多成熟的商业产品和开源项目。

基于YOLOv8与DeepSORT实现多目标跟踪——算法与源码解析"目标跟踪 (Object Tracking)"是机器视觉领域中的一个重要研究领域。根据跟踪的目标数量，可以将其分为两大类：单目标跟踪 (Single Object Tracking，简称 SOT) 和多目标跟踪 (Multi Object Tracking，简称 MOT)。

Yolov8目标识别与实例分割——算法原理详细解析YOLO是一种基于图像全局信息进行预测并且它是一种端到端的目标检测系统，最初的YOLO模型由Joseph Redmon和Ali Farhadi于2015年提出，并随后进行了多次改进和迭代，产生了一系列不同版本的YOLO模型，如YOLOv2、YOLOv3、YOLOv4，YOLOv5等。这些更新和迭代旨在提高模型的性能、精度和速度，使其在实际应用中更具竞争力。

保姆级Anaconda安装教程建议使用清华大学开源软件镜像站进行下载，使用官网下载速度比较慢。 anaconda清华大学开源软件镜像站： https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

我是有底线的