目标跟踪

乐迪信息：AI算法盒子实时识别船舶烟雾与火焰异常船舶在海上航行时，火灾一直是个让人头疼的安全隐患。不管是机舱燃油泄漏、电气线路老化，还是货物自燃，一旦起火，蔓延速度特别快。而且船上空间封闭，人员疏散和外部救援都很困难，所以早期发现火情就变得非常关键。

YOLO系列目标检测数据集大全【第八期】data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：data.yaml配置：

计算机C9硕士_算法工程师

NWPU VHR-10数据集无人机遥感目标检测数据集飞机储罐棒球场网球场篮球场港口车辆桥梁检测遥感图像中的地理空间目标检测NWPU VHR-10数据集遥感数据集NWPU VHR-10数据集是 10个类别地理空间目标检测的挑战性数据集，共650张图片。

西西弗Sisyphus

LocateAnything 视觉-语言定位推理多GPU并行大批量图片目标检测的实现flyfishFast and High-Quality Vision-Language Grounding with Parallel Box Decoding

人工智能算法研究院

【目标检测论文解读复现NO.43】基于改进YOLOv10n的植物叶片病害轻量化检测模型前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。

目标检测中的非极大值抑制（NMS）：原理、实现与调优指南在目标检测任务中，模型通常会为同一个物体生成多个重叠的边界框。这些冗余的检测结果不仅影响视觉效果的整洁性，更会严重干扰后续的分析和处理。非极大值抑制（Non-Maximum Suppression, NMS）作为一种经典的后处理算法，正是解决这一问题的关键。本文将深入解析NMS的工作原理、实现细节、参数调优以及最新改进方法。

【自适应滤波】基于新息协方差匹配的自适应CKF目标跟踪 MATLAB 实战——在目标跟踪、雷达定位、组合导航和传感器融合等问题如有代码定制、讲解的需求，可联系我↑更多文章： https://blog.csdn.net/callmeup/article/details/152721453?spm=1011.2415.3001.5331

【计算机科学与应用】YOLO-Apple：一种用于苹果幼果检测的改进型目标检测方法针对自然果园场景中，苹果幼果因通体青绿色、与叶片色调相近，且本身尺度偏小、分布密集又易被枝叶遮挡，检测时易出现漏检与误检的问题，文章提出了一种面向苹果幼果检测的改进型目标检测模型YOLO-Apple。该方法以YOLOv11n为基线，在主干C2PSA模块引入轻量特征增强单元Mona (C2PSA_Mona)以强化复杂背景下的特征映射能力，改造C3k2模块并在其增强块嵌入EMA注意力(C3k2_EMA)，提升特征表达与选择能力。实验采用来自新疆阿克苏市与石河子市等自然场景采集的5558张苹果幼果图像数据集，按

YOLO系列目标检测数据集大全【第七期】本合集外的海量目标检测数据集、训练权重、GUI项目可查阅以下完整合集：🔗 第一期全集：YOLO系列目标检测数据集大全 🔗 第二期全集：YOLO系列目标检测数据集大全【第二期】 🔗 第三期全集：YOLO系列目标检测数据集大全【第三期】 🔗 第四期全集：YOLO系列目标检测数据集大全【第四期】 🔗 第五期全集：YOLO系列目标检测数据集大全【第五期】

3D 视觉与点云处理（3D Vision & Point Cloud Processing）

如何用AI处理图像图片标注（Image Annotation）是计算机视觉中一个核心的预处理环节。它的根本原理可以概括为一句话：

前端摸鱼匠

YOLOv11 深入 Ultralytics 框架的源码目录，解析 ultralytics/cfg/models/11/ 下的模型配置文件，以及 ultralytics/nn/modules/下的模块各位在算法一线摸爬滚打的老铁们，大家好。今天咱们不聊虚的，直接把手伸进 YOLOv11 的“心脏”里去摸一摸。自从 Ultralytics 推出 YOLOv11 以来，社区里的讨论热度一直居高不下。很多人都在说：“这不就是换个名字的 v8 吗？”或者“结构上好像也没啥大变化”。如果你也这么认为，那可能你只看到了冰山一角。

YOLO系列目标检测数据集大全【第六期】本合集外的海量目标检测数据集、训练权重、GUI项目可查阅以下完整合集：🔗 第一期全集：YOLO系列目标检测数据集大全 🔗 第二期全集：YOLO系列目标检测数据集大全【第二期】 🔗 第三期全集：YOLO系列目标检测数据集大全【第三期】 🔗 第四期全集：YOLO系列目标检测数据集大全【第四期】 🔗 第五期全集：YOLO系列目标检测数据集大全【第五期】

【MATLAB例程】VSIMM与IMM在机动目标跟踪中的性能对比，CV+CT双模型原创代码，包运行成功、禁止翻卖本文给出一个完整的 MATLAB 仿真实例，实现传统 IMM（交互多模型）滤波与改进 VSIMM（Variable Structure IMM）滤波的性能对比。程序采用多次蒙特卡洛仿真，避免出现偶然性。

YOLO系列目标检测数据集大全【第四期】本合集外的海量目标检测数据集、训练权重、GUI项目可查阅以下完整合集：🔗 第一期全集：YOLO系列目标检测数据集大全 🔗 第二期全集：YOLO系列目标检测数据集大全【第二期】 🔗 第二期全集：YOLO系列目标检测数据集大全【第三期】

LLM精进之路

CVPR|Video-MME:判断模型“会不会看视频“的统一标尺做视频多模态，迟早会遇到一个核心问题：怎么科学地判断一个模型到底“会不会看视频”？过去，视频理解评测长期比较零散：不同论文使用不同数据集、不同采样方式、不同指标，导致模型之间很难公平横向比较。你说模型强，到底强在哪、强多少，并没有统一答案。

多模态大模型学习笔记（四十三）—— 视觉定位（Visual Grounding）：语言描述在图像中的精准锚定视觉定位是视觉-语言跨模态领域的核心基础任务，简单来说，就是根据自然语言描述，在图像里找到对应的目标并标出位置。它的标准任务范式十分明确：输入一张图像+一段文本描述，输出目标对应的边界框或感兴趣区域，完成文本语义到视觉空间的精准映射。和传统目标检测不同，视觉定位不局限于预定义类别，能响应任意自由文本描述，是视觉问答、图像计数、视觉推理等高级任务的底层支撑。

YOLO系列目标检测数据集大全【第三期】本合集外的海量目标检测数据集、训练权重、GUI项目可查阅以下完整合集：🔗 第一期全集：YOLO系列目标检测数据集大全

#YOLOv11 目标检测训练结果怎么看？一文看懂 Precision、Recall、mAP 指标使用 YOLOv11 训练目标检测模型后，通常会看到 Precision、Recall、mAP@50、mAP@50:95、PR 曲线、results.png 等结果文件。

笑脸惹桃花

目标检测：YOLOv12环境配置，超详细，适合0基础纯小白目录1. 前言2. 查看电脑状况3. 安装所需软件3.1 Anaconda3安装3.2 Pycharm安装