目标跟踪

三叉预测头Trident prediction head（RGBT目标跟踪以MTNET为例）论文全称：MTNET: LEARNING MODALITY-AWARE REPRESENTATION WITH TRANSFORMER FOR RGBT TRACKING

【AUV-BR2】基于YOLOv26的水下自主航行器目标检测与识别🌊 水下自主航行器(AUV)作为海洋探索的重要工具，其目标检测与识别能力直接决定了任务执行的成功率。随着人工智能技术的飞速发展，基于深度学习的目标检测算法在水下环境中的应用日益广泛。本文聚焦于AUV-BR2这一具体平台，研究基于YOLOv26的水下目标检测与识别技术，旨在提升AUV在复杂水下环境中的感知能力。💪

Bundaberg Rum 700mL酒瓶检测实战：基于YOLOv26的高精度识别方案本数据集为Bundaberg Rum 700mL酒瓶组件识别检测专用数据集，采用YOLOv8格式标注，共包含593张经过预处理和增强处理的图像。数据集由qunshankj平台用户提供，遵循CC BY 4.0许可证协议，于2024年9月12日导出。每张图像均经过自动方向调整和640x640像素的拉伸处理，并通过90度旋转（无旋转、顺时针、逆时针）及-45至+45度随机旋转的增强技术，创建了三个版本的源图像，以提升模型的鲁棒性。数据集包含三个检测类别：‘Bundaberg Rum 700mL bottle’（

qwen3-max识别电气主接线图，不需要yolo辅助Qwen3-Max 是一个多模态大语言模型，其视觉模块（如 Qwen3-VL）具备强大的通用图像理解与推理能力。它可以：

基于计算机视觉的香蕉成熟度自动检测与分级系统——YOLOv26模型实战应用详解本数据集名为’香蕉成熟过程’(Banana Ripening Process)，是一个专注于香蕉成熟度自动识别与分级的计算机视觉数据集。该数据集由qunshankj平台用户提供，采用知识共享署名4.0国际许可协议(CC BY 4.0)授权发布。数据集包含18074张图像，每张图像均以YOLOv8格式进行了精细标注，涵盖了香蕉在成熟过程中的六个关键阶段：新鲜成熟(freshripe)、新鲜未成熟(freshunripe)、过熟(overripe)、完全成熟(ripe)、腐烂(rotten)和未成熟(unri

奔跑吧邓邓子

YOLOv8目标检测：从理论到实战的飞跃之旅在目标检测这个充满挑战与机遇的领域，YOLOv8 无疑是当下最为耀眼的明星之一。它站在前辈们的肩膀上，进行了一系列令人瞩目的创新与优化，成为了众多开发者和研究人员手中的得力工具。

MATLAB的雷达脉冲信号MTI（动目标显示）和MTD（动目标检测）处理的实现原理：通过相邻脉冲间的相位差消除固定杂波公式：y ( n ) = x ( n ) − 2 x ( n − 1 ) + x ( n − 2 ) y(n)=x(n)−2x(n−1)+x(n−2) y(n)=x(n)−2x(n−1)+x(n−2)

基于YOLO13-C3k2-RFCBAMConv的注射器和药瓶计数检测系统_1在现代医疗行业中，注射器和药瓶的管理与计数是药房和医院日常运营的重要环节。传统的人工计数方法不仅效率低下，而且容易出错，特别是在高强度工作环境下。😅 为了解决这一问题，我们提出了一种基于改进YOLOv13模型的注射器和药瓶计数检测系统，该系统结合了C3k2模块和RFCBAMConv注意力机制，实现了高精度的目标检测与自动计数功能。

棒棒的皮皮

【深度学习】YOLO 目标检测论文 7 天阅读计划（入门→进阶→前沿）本计划适配零基础 / 有 Python+CNN 基础的学习者，以YOLO 系列核心论文为主、目标检测经典文献为辅，每日明确阅读目标、核心重点、源码对应、思考问题，兼顾理论理解与工程落地，读完可掌握 YOLO 核心设计逻辑与目标检测关键技术。

地理探险家

【YOLOv8 农业实战】11 组大豆 + 棉花深度学习数据集分享｜附格式转换 + 加载代码农业目标检测是智能农业、精准种植、病虫害预警的核心技术支撑，而高质量标注数据集是提升模型识别精度的关键。大豆和棉花作为我国重要经济作物，其叶片识别、病害检测、田间分割等场景的数据集需求迫切。

【深度学习】向日葵目标检测模型优化_1该数据集名为’sunflower’，版本为v4，于2021年9月21日创建，由qunshankj平台用户提供，采用公共领域许可证。数据集通过qunshankj平台于2023年8月26日5:25 AM GMT导出，该平台是一个全面的计算机视觉解决方案，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、创建数据集、模型训练与部署以及主动学习等功能。数据集共包含760张图像，所有图像均采用YOLOv8格式进行标注，仅包含一个类别：向日葵。数据集未应用任何图像增强技术，分为训练集、验证集和测试集三个

YOLO5目标检测方案-基于米尔RK3576开发板本文基于米尔MYD-LR3576开发板，详细记录了如何利用500万像素USB摄像头实现640×640分辨率的YOLO5s目标检测，并将结果实时输出至1080P屏幕的全流程。通过系统级的软硬件协同优化，最终将端到端延迟控制在40ms以内，实现了 20FPS的稳定实时检测性能。文章重点剖析了摄像头特性分析、显示通路选择、RGA硬件加速、RKNN NPU集成等关键技术环节，为嵌入式AI视觉系统的开发与调优提供了一套完整的思路与实践方案。

YOLO11-EUCB-SC实现排水管道缺陷检测_从零开始的智能检测系统搭建指南随着城市化进程加速，排水管道安全运行对城市功能发挥至关重要。传统检测方法存在效率低、成本高、主观性强等弊端。本研究提出基于改进YOLOV11的排水管道缺陷检测方法，旨在提高检测的自动化程度、准确性和效率。研究首先分析了排水管道常见缺陷类型及特征，包括结构性缺陷（破裂、变形、腐蚀、错口等）和功能性缺陷（沉积、结垢、树根、障碍物等）。

驾驶行为识别▸方向盘握持与吸烟检测_YOLOv10n_LSCD_LQE模型详解嗨，各位计算机视觉的小伙伴们！👋 今天我们来聊一聊目标检测领域的"顶流明星"——YOLO系列！从2015年YOLOv1横空出世，到现在的YOLOv13，这个家族可谓是人才辈出、各领风骚~ 🌟 作为CVer的你，是不是也经常在选择YOLO版本时犯起选择困难症？别担心！这篇保姆级教程带你快速了解YOLO家族的每一位成员，让你轻松pick最适合你的那个TA！💘

深入理解 YOLO 训练中的 mAP50、mAP75 和 mAP50-95 指标在使用 YOLO（如 YOLOv5/YOLOv8/YOLOv9 等）训练目标检测模型时，最常见也最容易引发困惑的一组指标便是：mAP@0.5（mAP50）、mAP@0.75（mAP75）和 mAP@[0.5:0.95]（mAP50-95）。这些指标是评估检测模型“好坏”的核心标准，因此理解它们的含义、计算方式以及差异非常重要。

基于cornernet_hourglass104的纸杯检测与识别模型训练与优化详解本数据集为纸杯目标检测数据集，采用YOLOv8格式标注，共包含2353张图像。数据集由qunshankj平台用户提供，采用公共领域许可证授权。每张图像经过预处理，包括自动方向调整（去除EXIF方向信息）和拉伸至640x640像素尺寸。为增强数据多样性，对每张原始图像应用了多种数据增强技术，包括90度随机旋转（无旋转、顺时针或逆时针）、水平-10°至+10°和垂直-10°至+10°的随机剪切、-10%至+10%的随机曝光调整、0至2.5像素的随机高斯模糊，以及1.45%像素的椒盐噪声添加。数据集划分为训练集

【目标检测】YOLO13-C3k2-PFDConv实现长颈鹿与斑马精准检测，完整教程与代码解析_1目标检测作为计算机视觉领域的核心任务之一，在野生动物保护、生态监测等方面发挥着重要作用。今天我们要分享的是如何利用最新的YOLO13架构，结合创新的C3k2-PFDConv模块，实现对长颈鹿与斑马这两种外观相似的动物的精准检测！🦒🦓

海洋漏油事件检测与分类 yolov5-GhostHGNetV2实现与训练本数据集名为oil spill，专注于海洋漏油事件的检测与分类任务，数据集包含218张图像，所有图像均以YOLOv8格式进行了标注。数据集提供了训练集、验证集和测试集三个子集，用于模型的训练、验证和测试。每张图像经过了预处理，包括自动调整像素方向（剥离EXIF方向信息）和拉伸调整至640×640像素尺寸，但未应用任何图像增强技术。数据集包含4个类别，分别标记为’0’、‘1’、‘2’和’3’，这些类别代表不同类型的漏油事件或漏油特征。数据集采用CC BY 4.0许可证授权，由qunshankj平台用户提供，

基于改进YOLOv13的长曲棍球角色识别与装备检测系统该数据集专注于长曲棍球比赛中的物体检测任务，旨在准确识别和标注比赛中的特定角色与装备。数据集包含500张图像，采用YOLOv8格式进行标注，分为训练集、验证集和测试集。数据集中包含四个主要类别：守门员(Goalie)、长杆(Longpole)、裁判(Referee)和短杆(Shortstick)。守门员通常位于球门附近，佩戴头盔和护具，手持带有宽大圆形网兜的球杆；长杆球员或物品具有较长的球杆，主要用于防守角色；裁判穿着典型的黑白条纹或黄色球衣，通过位置和活动可被轻松识别；短杆球员或物品则具有较短的球杆，主

【深度学习】基于Sparse-RCNN的多类别蘑菇物种识别与检测系统_2近年来，计算机视觉技术在生物多样性研究和环境保护领域发挥着越来越重要的作用。蘑菇作为生态系统中的重要组成部分，其物种识别与分类对生态研究和食品安全具有重要意义。传统的蘑菇识别方法主要依赖专家经验，存在识别效率低、主观性强等问题。本文将介绍一种基于Sparse-RCNN的多类别蘑菇物种识别与检测系统，该系统能够自动、准确地识别和检测图像中的蘑菇物种。