yolo11

Windows 下 YOLO11 Det 的 TensorRT C++ 部署Windows 下 YOLO11 Det 的 TensorRT C++ 部署摘要：本文介绍如何在 Windows 下使用 TensorRT 10.16 以 C++ 部署 YOLO11 目标检测模型。内容涵盖环境准备（VS2022、CMake、CUDA 12.9、OpenCV 4.8.1、TensorRT）、工程编译与验证、模型导出（FP32/FP16/INT8）与 engine 序列化，以及命令行推理和部署自训练模型的完整流程。实测 C++ 实现推理单帧约 1.4 ms，相比 ultralytics Py

YOLO-AMC：裂缝检测再进化，给 YOLOv11 换上更合适的「注意力」桥梁、道路、建筑上的裂缝又细又淡，人工巡检费时费力还容易漏检。新论文 YOLO-AMC，把 YOLOv11 拆掉一处、加装三处「注意力」，在自建裂缝数据集上把 mAP@0.5:0.95 从 0.9112 拉到 0.9506，还能在树莓派 5 上跑到约 5 FPS。

YOLO11图标点选验证码识别实战图标点选验证码靠传统图像处理很难做稳：背景纹理复杂、图标带旋转缩放、还会不时换一批新图标。本文带你用 YOLO11m 训练一个单类别图标检测模型（yolo11m.pt → best.pt），再配合剪影模板匹配，跑通"检测图标 → 匹配目标 → 输出点击坐标"的完整链路。适合有 Python 基础、想入门验证码识别/目标检测实战的同学。

人脸检测和行人检测3：C/C++实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)目录人脸检测和行人检测3：C/C++实现YOLOv8 YOLO11 YOLO26人脸检测和人体检测(含源码，可实时检测)

4.19华为OD机试真题新系统 - WIFI设备网络规划 (JavaPyCC++JsGo)2026 华为OD机试真题 4月19日华为OD上机新系统考试真题 200 分题型点击查看华为 OD 机试真题完整目录：2026最新华为OD机试新系统卷 + 双机位C卷真题题库目录｜全覆盖题库 + 逐点算法考点详解

4.19华为OD机试真题新系统 - 8位LED控制器 (JavaPyCC++JsGo)2026 华为OD机试真题 4月19日华为OD上机新系统考试真题 100 分题型点击查看华为 OD 机试真题完整目录：2026最新华为OD机试新系统卷 + 双机位C卷真题题库目录｜全覆盖题库 + 逐点算法考点详解

西西弗Sisyphus

YOLO26 自定义损失函数重写 init_criterion 方法损失类不继承基类flyfishYOLO 的 ClassificationModel 基类中，专门设计了 init_criterion 方法：模型初始化时，会自动调用该方法生成损失函数并赋值给 self.criterion 属性。

基于机器视觉与YOLO11的服装厂废料(边角料)分类检测系统(数据集+UI界面+训练代码+数据分析)摘要：随着服装制造行业规模不断扩大，生产过程中产生的布料边角料、缝纫线团以及皮革碎料等废弃物数量显著增加。传统人工分拣方式存在效率低、误分率高、劳动强度大等问题，难以满足智能化生产与绿色回收需求。为提高服装厂废料分类效率与可回收资源利用率，本研究设计并实现了一种基于机器视觉的服装厂废料（边角料）分类检测系统。

基于YOLO11的输电线路耐张线夹压接缺陷检测系统摘要：输电线路耐张线夹压接质量直接关系到电力系统的安全稳定运行。传统的人工巡检方式效率低、主观性强，难以满足现代电网智能化管理需求。本文提出了一种基于YOLO11深度学习算法的耐张线夹压接缺陷智能检测系统。

weixin_45776000

基于 YOLO11-OBB 与 LPRNet ONNX 的车牌定位识别桌面系统实践在车牌识别项目中，常见方案通常分为两个阶段：车牌定位和车牌字符识别。传统水平框检测模型在面对倾斜车牌、旋转车牌、摄像头角度偏移等情况时，容易出现裁剪区域不准的问题，进而影响后续 OCR 识别效果。为了解决这一问题，本工程 lpr_onnx_gui_project_fixed.zip 采用 YOLO11-OBB 旋转框检测模型进行车牌定位，再结合 LPRNet/CRNN ONNX 识别模型完成车牌字符识别，最终通过 PyQt5 构建一个完整的桌面可视化系统。

基于改进YOLO11算法的芯片微缺陷检测系统(UI界面+数据集+分析界面+处置建议+训练代码)摘要：芯片制造过程中的微小缺陷（5-7像素）检测是质量控制的关键环节，但现有目标检测算法在处理此类微小目标时存在特征信息丢失、检测精度低和漏检率高等问题。针对上述问题，本文提出了一种基于YOLO11的改进检测方法YOLO11-P2-MDH。

在YOLO11中引入LWGA轻量分组注意力模块（AAAI 2026），实现涨点，保姆级别教程LWGA 模块及其子模块结构如下图所示（摘自论文）：LWGANet 主要是为了解决遥感图像（RS）视觉任务中长期存在的两大痛点：“空间冗余”和“通道冗余” 。作者设计了两个创新模块：TGFI（处理空间冗余）和 LWGA（处理通道冗余）。

基于YOLO11的泳池溺水行为实时检测系统设计与实现摘要：泳池溺水事故具有突发性强、黄金救援时间短的特点，传统人工监控方式存在注意力分散、疲劳漏检等问题，难以实现全时段高效监控。因此，研究一种能够自动识别泳池中异常行为并及时预警的智能检测系统，对于降低溺水事故发生率、保障游泳者生命安全具有重要的现实意义。

基于YOLO11与时空图卷积网络(ST-GCN)的独居老人摔倒识别系统设计与实现摘要：随着人口老龄化加剧，独居老人的居家安全问题日益突出。其中，摔倒是导致独居老人意外伤亡的重要原因之一；由于其在摔倒后往往难以及时获得救助，构建实时、准确的摔倒识别系统具有重要现实意义。

【数据集 01】家庭室内烟火数据集（按比例划分训练、验证、测试）包含训练好的yolo11/yolov8模型目录1、数据来源2、数据集分类3、数据集统计4、数据集结构5、数据集配置文件6、数据分割策略7、数据预处理

基于机器视觉与YOLO11的服装厂废料(边角料)分类检测系统(数据集+UI界面+训练代码+数据分析)摘要：随着服装制造行业规模不断扩大，生产过程中产生的布料边角料、缝纫线团以及皮革碎料等废弃物数量显著增加。传统人工分拣方式存在效率低、误分率高、劳动强度大等问题，难以满足智能化生产与绿色回收需求。为提高服装厂废料分类效率与可回收资源利用率，本研究设计并实现了一种基于机器视觉的服装厂废料（边角料）分类检测系统。

【深度学习02】YOLO模型的数据集、训练、验证、预测、导出目录一、数据集1.1、第一种结构（YOLOv5风格）1.2、第二种结构（YOLOv8风格）1.3、两种结构的本质区别

迪菲赫尔曼

YAML2ModelGraph【v1.0】：一键生成 Ultralytics 模型结构图v0.1 版本在这篇文档 https://blog.csdn.net/weixin_43694096/article/details/154486575

YOLO11 改进、魔改｜空间与通道协同注意力模块SCSA，通过空间与通道注意力的协同作用，提升视觉任务的特征提取能力与泛化性能。现有即插即用注意力机制多分为通道注意力、空间注意力及混合注意力三类，但普遍存在两大局限：一是未能充分利用特征中固有的多语义空间信息，难以有效引导空间和通道维度的关键特征提取；二是对特征图间多语义信息导致的语义差异和交互问题处理不足，限制了其在检测、分割等细粒度任务中的适配性。为解决这些问题，SCSA 聚焦维度解耦、轻量化多语义引导和语义差异缓解，探索空间与通道注意力的协同关系。

飞翔的佩奇

【完整源码+数据集+部署教程】【运动的＆足球】足球场地区域图像分割系统源码＆数据集全套：改进yolo11-RFAConv随着计算机视觉技术的迅猛发展，图像分割在体育分析、场景理解等领域的应用愈发广泛。足球作为全球最受欢迎的运动之一，其比赛分析、战术研究和运动员表现评估都离不开对比赛场地及球员动态的精准捕捉与分析。因此，基于深度学习的图像分割技术在足球场景中的应用具有重要的研究价值和实际意义。尤其是YOLO（You Only Look Once）系列模型，以其高效的实时检测能力和较强的准确性，成为了目标检测和分割领域的热门选择。