数据集

飞翔的佩奇

【完整源码+数据集+部署教程】遥感森林砍伐检测系统源码和数据集：改进yolo11-SWC研究背景与意义随着全球对森林资源的依赖日益加深，森林砍伐问题愈发凸显，成为生态环境保护和可持续发展面临的重要挑战之一。森林不仅是地球生态系统的重要组成部分，还是生物多样性保护的关键所在。森林的消失不仅导致了栖息地的破坏，还加剧了气候变化，影响了水循环和土壤质量。因此，及时、准确地监测森林砍伐情况，对于制定有效的环境保护政策和管理措施至关重要。

飞翔的佩奇

【完整源码+数据集+部署教程】表盘指针检测系统源码和数据集：改进yolo11-CA-HSFPN研究背景与意义随着智能设备的普及和自动化技术的快速发展，表盘指针的检测与识别在工业自动化、智能家居和车载系统等领域中变得愈发重要。表盘指针作为信息传递的一种重要方式，其准确检测直接关系到设备的性能和用户体验。传统的指针检测方法多依赖于图像处理技术，然而这些方法在复杂环境下的鲁棒性和准确性往往不足。因此，基于深度学习的目标检测技术，尤其是YOLO（You Only Look Once）系列模型，因其高效性和实时性，成为了研究的热点。

飞翔的佩奇

【完整源码+数据集+部署教程】二维码与查找模式检测系统源码和数据集：改进yolo11-CSwinTransformer研究背景与意义随着信息技术的迅猛发展，二维码作为一种高效的信息载体，已广泛应用于商业、物流、医疗等多个领域。二维码的快速识别与解码能力，使其在数据传输、商品追踪及身份验证等方面发挥了重要作用。然而，二维码的有效识别不仅依赖于其清晰度和完整性，还受到环境因素、图像质量以及背景复杂度等多种因素的影响。因此，提升二维码的检测与识别精度，尤其是在复杂场景下的表现，成为了当前计算机视觉领域的重要研究课题。

飞翔的佩奇

【完整源码+数据集+部署教程】食品分类与实例分割系统源码和数据集：改进yolo11-AggregatedAttention研究背景与意义随着全球食品产业的快速发展，食品安全和质量控制日益成为社会关注的焦点。食品分类与实例分割技术的应用，能够有效提升食品识别的准确性和效率，为食品监管、营养分析以及智能餐饮等领域提供重要支持。传统的食品识别方法多依赖于人工经验，存在主观性强、效率低下等问题，而基于深度学习的计算机视觉技术则为解决这些问题提供了新的思路。

【完整源码+数据集+部署教程】孔洞检测系统源码和数据集：改进yolo11-RetBlock研究背景与意义随着工业自动化和智能制造的快速发展，孔洞检测作为关键的质量控制环节，受到了广泛关注。孔洞的存在可能会影响产品的强度、密封性和整体性能，因此，准确、快速地检测孔洞对于保障产品质量至关重要。传统的孔洞检测方法多依赖于人工检查或简单的图像处理技术，这些方法不仅效率低下，而且容易受到人为因素的影响，导致检测结果的不一致性和不可靠性。因此，开发一种基于先进计算机视觉技术的自动化孔洞检测系统显得尤为重要。

爱分享的飘哥

第六十六篇：AI模型的“口才”教练：Prompt构造策略与自动化实践在《训练链路与采集系统》的旅程中，我们已经学会了如何采集原始数据，并将其精加工成AI模型可消化的“食材”（如标注图像、抽帧视频、提取字幕）。

飞翔的佩奇

【完整源码+数据集+部署教程】武器目标检测系统源码和数据集：改进yolo11-AggregatedAtt研究背景与意义随着科技的迅猛发展，武器系统的检测与识别在军事和安全领域中变得愈发重要。传统的武器目标检测方法往往依赖于人工识别和经验判断，效率低下且容易受到人为因素的影响。因此，基于深度学习的自动化检测系统应运而生，成为提升武器目标识别精度和效率的关键技术之一。YOLO（You Only Look Once）系列模型以其快速和高效的特性，成为目标检测领域的热门选择。特别是YOLOv11的改进版本，凭借其在实时检测中的卓越表现，展现出在复杂环境中识别武器目标的潜力。

【完整源码+数据集+部署教程】植物生长阶段检测系统源码和数据集：改进yolo11-rmt在全球人口持续增长与耕地资源日益紧张的双重压力下，保障粮食安全、提升农业生产效率已成为农业领域的关键任务。传统农业模式下，农民主要依靠经验判断植物生长阶段，进而决定灌溉、施肥、病虫害防治等农事操作。然而，这种经验式判断存在主观性强、准确性低的问题，难以满足现代农业精细化、智能化管理的要求。植物生长阶段检测系统能够实时、准确地监测植物生长状态，为精准农业提供科学依据，有助于优化资源配置、减少资源浪费、提高农作物产量和质量，推动农业向现代化、智能化方向转型升级。

飞翔的佩奇

【完整源码+数据集+部署教程】海上场景水上交通物体检测图像分割系统源码和数据集：改进yolo11-HGNetV2研究背景与意义随着全球水上交通的快速发展，海洋运输和水上活动的安全性与效率愈发受到重视。水上交通中涉及的多种物体，如商船、渔船、标志浮标以及其他障碍物，常常对航行安全构成威胁。因此，开发高效的物体检测与图像分割系统，能够实时识别和分类这些物体，成为了提升水上交通安全的重要手段。基于改进YOLOv11的海上场景水上交通物体检测图像分割系统，旨在利用深度学习技术，针对复杂的海洋环境，提供一种高效、准确的解决方案。

FEVER数据集：事实验证任务的大规模基准与评估框架FEVER（Fact Extraction and VERification）由谢菲尔德大学与亚马逊剑桥研究院于2018年联合发布，是自然语言处理领域首个大规模事实验证基准数据集。其目标是为自动化事实核查系统提供标准化评估框架，解决互联网信息爆炸背景下的虚假新闻检测难题。数据集包含 185,445个人工标注的声明（claims），每个声明均基于维基百科页面生成，并标注其真实性标签及支持证据。

semantist@语校

面向向量检索的教育QA建模：九段日本文化研究所日本语学院的Prompt策略分析（6 / 500）系列说明 500 所日本语言学校结构化建模实战，第 6 篇。每篇拆解 1 所学校在 Prompt-QA 系统中的建模策略，分享工程经验，本项目持续在 Hugging Face 上同步更新，欢迎AI工程师们关注。

semantist@语校

从Prompt到结构建模：如何以数据驱动重构日本语言学校体系？以国际日本语学院为例系列说明 500 所日本语言学校结构化建模实战，第 8 篇。每篇拆解 1 所学校在 Prompt-QA 系统中的建模策略，分享工程经验，本项目持续在 Hugging Face 上同步更新，欢迎AI工程师们关注。

semantist@语校

日本语言学校：签证制度类 Prompt 的结构整理路径与策略我们在构建语言留学语义系统的过程中，尝试以“签证风险”为例，探索如何让结构信息被更好地保留下来。本文不介绍 Prompt 本身，也不夸大其作用，而是希望借此与更多开发者交换看法，共同打磨适合中文生态的结构表达方式。

ScanNet数据集详解http://www.scan-net.org/ScanNet/https://github.com/ScanNet/ScanNet

前网易架构师-高司机

手机识别数据集，2628张原始图片，支持yolo，coco json,pasical voc xml等格式的标注本文提供手机识别数据集，2628张原始图片，支持yolo，coco json,pasical voc xml等格式的标注的数据集下载，下载地址在文末

HyperAI超神经

OmniGen2 多模态推理×自我纠正双引擎，引领图像生成新范式；95 万分类标签！TreeOfLife-200M 解锁物种认知新维度近年来，生成式 AI 技术在图像领域取得显著突破，如 Stable Diffusion 系列、 DALL-E3 等模型通过扩散模型实现了高质量文本到图像生成。然而，这些模型缺乏视觉生成通用模型所需的全面感知理解和生成能力。 OmniGen 应运而生，基于扩散模型架构，为各种生成任务提供统一的解决方案，具备多任务处理能力，无需额外插件即可生成高质量图像。不可否认的是，该模型在多模态解耦与数据多样性方面仍存在局限。

时频图数据集更正程序，去除坐标轴白边及调整对应的标签值当数据集是时频图时可能有一个尴尬的问题，就是数据集制作好后，发现有白边。其实这也不影响训练模型，可能对模型训练效果的影响也是微乎其微的，于是大多数情况我会选择直接用整张图片训练模型。但是，有的情况下，去掉白边模型训练效果好，不去白边模型某个类别效果就不好。比如图中的BPSK和Frank信号。

不同程度多径效应影响下的无线通信网络电磁信号仿真数据生成程序生成.mat数据：转换为PyG可用数据：

飞翔的佩奇

【完整源码+数据集+部署教程】石材实例分割系统源码和数据集：改进yolo11-CA-HSFPN研究背景与意义随着计算机视觉技术的快速发展，实例分割作为其中一个重要的研究方向，逐渐在多个领域中展现出其独特的应用价值。实例分割不仅能够对图像中的物体进行识别，还能精确地划分出每个物体的轮廓，这在许多实际应用中都具有重要意义。例如，在建筑行业中，石材的识别与分割对于材料的管理、施工进度的监控以及成本控制等方面都起着至关重要的作用。因此，开发一个高效的石材实例分割系统，能够有效提升相关行业的自动化水平和工作效率。

飞翔的佩奇

【完整源码+数据集+部署教程】安检爆炸物检测系统源码和数据集：改进yolo11-REPVGGOREPA研究背景与意义随着全球安全形势的日益复杂，安检工作的重要性愈发凸显。特别是在公共场所和交通枢纽，如何有效地检测和识别潜在的爆炸物成为了一个亟待解决的技术难题。传统的安检手段往往依赖于人工检查和简单的物理检测，效率低下且容易受到人为因素的影响。因此，基于计算机视觉的自动化检测系统应运而生，成为提升安检效率和准确性的关键技术之一。