yolo11

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。

飞翔的佩奇

【完整源码+数据集+部署教程】甘蔗叶片病害检测系统源码和数据集：改进yolo11-GhostDynamicConv研究背景与意义甘蔗作为全球重要的经济作物之一，其产量和质量直接影响到糖业、酒业及生物能源等多个行业的发展。然而，甘蔗在生长过程中常常受到多种病害的侵袭，尤其是叶片病害，这不仅会导致产量下降，还会影响甘蔗的糖分含量和品质。因此，及时、准确地检测和识别甘蔗叶片病害，对于保障甘蔗的健康生长和提高经济效益具有重要意义。

加权卷积算子：基于空间密度函数的 CNN 特征提取优化在深度学习中，卷积神经网络（CNNs）依赖标准卷积处理图像，但该操作对局部区域像素平等加权，未区分像素相对位置的语义贡献，限制了空间特征的精细化建模。为此，研究者提出加权卷积算子（Weighted Convolution Operator），通过引入空间密度函数，使网络能根据像素与中心位置的距离动态调整权重，强化关键区域特征提取，同时保持与现有 CNN 架构兼容且不增加可训练参数。

yolo11-seg ultralytics 部署版本git log -1:commit 1ce49092e28eb2e996a79e9aea6c0825653ae2b9 (HEAD -> main, origin/main, origin/HEAD) Author: Lakshantha Dissanayake <[email protected]> Date: Wed Feb 26 09:23:35 2025 -0800

在VSCode中使用Ultralytics扩展Visual Studio Code深受全球开发人员的欢迎，并在2021 年、2022 年、2023 年和2024 年的 Stack Overflow 开发人员调查中被评为最受欢迎的软件。由于 VS Code 具有高度的定制性、内置功能、广泛的兼容性和可扩展性，因此有如此多的开发人员使用它也就不足为奇了。

yolo剪枝的几种方法按剪枝粒度从大到小分为：根据不同指标评估权重/通道重要性：如果需要更具体的实现代码或优化策略，可以进一步讨论！

YOLO11解决方案之区域追踪探索Ultralytics提供了一系列的解决方案，利用YOLO11解决现实世界的问题，包括物体计数、模糊处理、热力图、安防系统、速度估计、物体追踪等多个方面的应用。

YOLO11解决方案之对象裁剪探索Ultralytics提供了一系列的解决方案，利用YOLO11解决现实世界的问题，包括物体计数、模糊处理、热力图、安防系统、速度估计、物体追踪等多个方面的应用。

YOLO11解决方案之物体模糊探索Ultralytics提供了一系列的解决方案，利用YOLO11解决现实世界的问题，包括物体计数、模糊处理、热力图、安防系统、速度估计、物体追踪等多个方面的应用。

开源项目实战学习之YOLO11：ultralytics-cfg-models-nas（十）👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路

计算机视觉——基于树莓派的YOLO11模型优化与实时目标检测、跟踪及计数的实践设想一下，你在多地拥有多个仓库，要同时监控每个仓库的实时状况，这对于时间和精力而言，都构成了一项艰巨挑战。从成本和可靠性的层面考量，大规模部署计算设备也并非可行之策。一方面，大量计算设备的购置、维护成本会让你的预算不堪重负；另一方面，设备数量增多，出现故障的概率也会相应提升，这无疑会给仓库的稳定监控带来极大的不确定性。

开源项目实战学习之YOLO11：ultralytics-cfg-models-fastsam（九）👉 点击关注不迷路 👉 点击关注不迷路 👉 点击关注不迷路

基于YOLO11深度学习的苹果叶片病害检测识别系统【python源码+Pyqt5界面+数据集+训练代码】《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~ 三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】，持续更新中~~ 六、YOLO性能对比专栏【链接】，持续更新中~

YOLO11改进-模块-引入混合结构模块Mix Structure Block 提高多尺度、小目标在图像去雾领域，传统的基于卷积神经网络（CNN）和 Transformer 的方法存在局限性。CNN 方法大多存在感受野不足的问题，限制了单个像素在神经网络中的参考范围，部分考虑大感受野的 CNN 方法又忽略了图像的多尺度特性；Transformer 方法虽有全局建模能力和大感受野，但参数数量庞大，训练成本高。同时，以往去雾网络中的注意力机制设计未充分考虑雾气分布的不均匀性，现有方法往往单独设计像素注意力模块和通道注意力模块，不能很好地编码大气光 A 和介质传输图 t (x)。为解决这些问题，提出 Mix

基于YOLO11的遥感影像山体滑坡检测系统基于YOLO11的遥感影像山体滑坡检测系统 (价格90)按照7：2：1随机划分：训练集 6736张验证集 1924张测试集 963张

YOLO11改进 | 卷积模块 | ECCV2024 小波卷积秋招面试专栏推荐：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

Coovally AI模型快速验证

YOLO11全解析：从原理到实战，全流程体验下一代目标检测前言一、模型介绍二、网络结构1.主干网络（Backbone）2.颈部网络（Neck）3.头部网络（Head）

YOLO11论文 | 可视化 | 对模型进热力图可视化增强改进有效性说服力支持od、seg、cls【论文、科研必备】秋招面试专栏推荐：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转💡💡💡本专栏所有程序均经过测试，可成功执行💡💡💡

基于YOLO11/v10/v8/v5深度学习的煤矿传送带异物检测系统设计与实现【python源码+Pyqt5界面+数据集+训练代码】《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~ 三、深度学习【Pytorch】专栏【链接】四、【Stable Diffusion绘画系列】专栏【链接】五、YOLOv8改进专栏【链接】，持续更新中~~ 六、YOLO性能对比专栏【链接】，持续更新中~