目标检测标签_AMD开发者中国社区

目标检测

基于YOLOv5的极验空间推理验证码识别训练工程（含标注数据集与可运行代码）

直接上手就能跑的极验空间推理验证码识别项目，用YOLOv5做目标检测来定位和识别滑块、缺口等关键元素。包里有整理好的Geetest空间推理类验证码图片数据集，已按train/val划分好，还配了YOLOv5专用的数据预处理脚本、data.yaml配置文件、yolov5s模型结构定义、训练脚本train.py、验证脚本val.py、检测脚本detect.py，以及模型导出工具export.py。所有

 wdx012345
2026-06-01 09:14:54

 815

 4

#目标检测
CSGO纯图像识别辅助工具：YOLOv5实时检测+坐标输出，支持多数据集与API调用

基于YOLOv5实现的CSGO游戏内视觉辅助方案，不涉及内存读写、驱动注入或系统级操作，全程通过屏幕捕获（DirectX方式）获取画面，完成目标检测并输出标准化坐标。内置yolov5s.pt预训练模型，兼容coco.yaml、VOC.yaml、VisDrone.yaml等多种数据集配置；提供完整训练流程（train.py）、多版本测试脚本（test2.py/test3.py）、模型导出（expor

qsc901234
2026-06-01 05:05:10

 285

 4

#目标检测
毕业设计深度学习yolo11森林火灾预警烟雾检测系统（源码+论文）

🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。并且很难找到完整的毕设参考学习资料。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目提供大家参考学习，今天要分享的是🚩毕业设计深度学习yolo11森林火灾预警烟雾检测系统（源码+论文）🥇学长这里给一个题目综合

 阿祖学长的Yolo项目库
2026-06-22 13:54:50

 505

 21

#深度学习 #人工智能 #目标检测
户外生活垃圾目标检测数据集：18类别 | 目标检测

本数据集含近3000张真实户外场景图像，涵盖塑料袋、易拉罐、口罩等18类高频生活垃圾，YOLO格式标注，专注小目标、多尺度、强遮挡与复杂背景挑战，专为智慧环卫AI检测研发打造，开箱即用

 动物园猫
2026-06-24 23:54:03

 283

 8

#生活 #目标检测 #人工智能
Jetson 部署 YOLOv8 实时目标检测：训练到边缘推理

数据准备→ Roboflow 标注 + 增强模型训练→ 选择 YOLOv8s/n 平衡精度和速度导出 TensorRT→实时推理→ CSI/USB 摄像头 + GStreamer 加速性能优化→。

物联网_咸鱼
2026-06-24 22:03:02

 221

 9

#目标检测 #人工智能
铁路障碍物目标检测数据集分享（适用于YOLO系列深度学习分类检测任务）

铁路障碍物目标检测数据集（5500+张图像）发布，包含倒树、岩石等4类铁路安全隐患目标。该数据集支持YOLO等深度学习模型训练，适用于智能铁路巡检系统开发。数据集特点包括：多类别均衡样本、复杂环境场景、高质量标注、标准化划分（训练/验证/测试集）。可应用于铁路安全监控、无人机巡检、智能预警系统等领域，助力提升铁路巡检效率和安全性。

动物园猫
2026-06-01 21:03:51

 210

 5

#目标检测 #深度学习
第 02 讲《图像数字化：像素、通道与张量》——模型看到的不是照片：一文搞懂像素、通道与张量

这篇文章深入浅出地讲解了图像数字化处理的核心概念，重点剖析了模型如何"看到"图像数据。主要内容包括：模型视角：模型看到的是排列好的数字而非视觉图像图像处理链路：图片→像素→通道→张量→网络输入关键概念解析：像素、通道、张量、shape、batch和归一化张量格式转换：HWC、CHW、BCHW的区别与应用场景工具差异：OpenCV、PIL、PyTorch处理图像的不同特点预处理要点：归一

 Super D
2026-06-16 10:00:36

 486

 6

#目标检测 #计算机视觉 #人工智能 +1
【triton】目标检测（YOLOv26）基于triton ensemble部署推理服务

本文介绍了使用Triton Inference Server部署YOLOv26模型的两种方案，重点推荐基于ensemble后端的集成部署方式。传统方案将预处理/后处理与推理分离，存在带宽占用高、延迟长的问题。而ensemble方案通过Python后端将预处理、模型推理和后处理整合到同一个Triton服务中，形成完整流水线：客户端发送编码图像→Triton统一处理→返回检测结果。

Laughing2Wind
2026-06-21 21:15:26

 289

 6

#人工智能 #计算机视觉 #python +2
一文搞懂 Hi3519DV500 硬件原理分析与排查

Hi3519DV500硬件原理与排查指南摘要核心内容：本文档详细分析了Hi3519DV500芯片的硬件架构及鸿鸥派开发板的设计要点，重点涵盖电源系统、时钟电路、DDR4/eMMC接口等关键模块。关键特性：双核A55@1GHz + 2.5TOPS NPU + 4K编解码能力 2GB DDR4（32bit）+8GB eMMC存储方案支持4路MIPI-CSI输入和MIPI-DSI/BT.1120

qq_20575585
2026-06-11 22:25:38

 306

 5

#智能硬件 #linux #目标跟踪 +1
YOLO实例分割工业圆形仪表指针读数识别数据集｜电力电表电流电压表深度学习视觉实战仓库

YOLO实例分割工业圆形仪表指针读数识别数据集｜电力电表电流电压表深度学习视觉实战仓库10472期

 鸭蛋粉
2026-06-29 08:30:00

 389

 9

#深度学习 #人工智能 #无人机 +1
YOLO11环境配置、训练部署全流程与实战优化指南

目标检测是计算机视觉的核心任务之一，旨在识别图像或视频中特定物体的位置和类别。其原理通常基于深度学习模型，通过卷积神经网络提取特征，并利用回归和分类头预测边界框与类别。这项技术的价值在于为自动化系统提供“视觉”理解能力，是实现智能化应用的关键。在工业质检、自动驾驶、安防监控和机器人导航等广泛场景中，高效、准确的目标检测模型是工程落地的基石。本文聚焦于Ultralytics推出的最新一代模型YOLO

崔怂包
2026-06-15 14:33:08

 304

 8

#目标检测
第18期｜实战4：遥感灾害智能解译：滑坡_洪涝_火灾识别

本文介绍了基于AI遥感技术的自然灾害智能解译方法，重点针对洪涝、滑坡、火灾三大灾害的自动识别与评估需求。针对灾害区域纹理杂乱、边界模糊、样本稀缺等挑战，提出多特征融合的轻量化Transformer分割模型，结合光谱指数增强和纹理特征提取技术，实现灾害区域的精准分割。文章详细阐述了从数据预处理到模型训练、灾害识别、矢量输出的全流程解决方案，并提供了可运行的Python代码示例，包括通用分割模型架构和

 DXM0521
2026-06-19 11:00:00

 252

 2

#人工智能 #机器学习 #python +2
无人机航拍语义分割数据集｜地表覆盖分类｜耕地环保监测训练集遥感航拍地物分割数据集｜农业自然资源调查｜低空视觉分割样本库山川河道环保监测数据集｜城市农田植被水体识别深度学习数据

本文介绍无人机地表多类别语义分割数据集，配套分割模型训练、推理、可视化全流程代码，开箱即用，快速落地国土/农业/环保低空智能解译系统。

鸭蛋粉
2026-06-02 16:45:00

 404

 11

#无人机 #分类 #深度学习 +2
柑橘果实病害目标检测数据集（2026优化）

柑橘果实病害目标检测数据集2026优化版图像分类深度学习 python编程

 数据集_深度学习
2026-06-19 14:12:32

 443

 7

#目标检测 #人工智能 #计算机视觉
无人机航拍地质灾害智能识别山体滑坡实例分割数据集落地实战 | 泥石流监测道路险情封堵深度学习模型训练方案10296期

无人机航拍地质灾害智能识别山体滑坡实例分割数据集落地实战 | 泥石流监测道路险情封堵深度学习模型训练方案10296期

 鸭蛋粉
2026-06-16 17:28:09

 309

 4

#无人机 #深度学习 #人工智能 +1
YOLO 目标检测完整教程

本文是一份全面的YOLO目标检测教程，主要内容包括： YOLO基础概念：解释目标检测、边界框、IOU、NMS等专业术语，介绍YOLO各版本演进及适用场景（推荐初学者使用YOLOv8）。核心原理：对比单阶段与两阶段检测区别，详解锚框、NMS、mAP等关键技术。环境配置：提供Miniconda安装指南、镜像源配置、虚拟环境创建及PyTorch（GPU/CPU版本）安装步骤。实践操作：包含YOLO

笑爾不語
2026-06-04 09:22:24

 337

 6

#目标检测 #目标跟踪
【发刊神器】YOLO26ssod把刚发布的 YOLO26 塞进半监督检测框架：一篇论文的创新点，我帮你凑齐了

关键词：YOLOv26 · 半监督目标检测(SSOD) · EfficientTeacher · NMS-free · DFL-free · MuSGD，模块化、可消融、创新点密集——这套组合拳，天生就是为了「水…啊不，为了高质量产出一篇目标检测方向论文」而生的。

黄昏时分.
2026-06-08 17:00:20

 277

 8

#目标检测 #人工智能 #深度学习 +1
毕业设计机器视觉指纹识别特征对比算法（源码+论文）

🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。并且很难找到完整的毕设参考学习资料。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目提供大家参考学习，今天要分享的是🚩毕业设计机器视觉指纹识别特征对比算法（源码+论文）(源码+论文)🥇学长这里给一个题目综合

 whois罗伯特
2026-06-16 13:57:33

 1117

 11

#深度学习 #目标检测 #人工智能
从源代码编译构建vLLM并解决常见编译问题

在通过创建全新虚拟环境条件下，使用方式安装VLLM后，遇到了VLLM使用方面的异常，经过多种方式尝试解决，最终无果。仔细查看官方文档后，发现其中有2段话尤为重要:1.如果使用的是不同的CUDA版本，或者想要使用现有的PyTorch安装，则需要从源代码构建vLLM。2.vLLM的二进制文件默认使用CUDA 12.1和公共PyTorch发行版本进行编译。另外还提供使用CUDA 11.8和公共PyTor

码农Q！
2025-03-19 20:34:09

 2038

 5

#人工智能 #深度学习 #前端 +2
使用Llama-Factory进行模型训练与微调-环境准备与工具部署

本文介绍了在WSL环境下使用llama-factory进行大模型训练的完整流程。主要包括：1）安装WSL和Ubuntu；2）下载llama-factory项目；3）通过conda创建Python3.10运行环境；4）安装llama-factory及其依赖项；5）使用Qwen1.5-0.5B模型和内置数据集进行简单训练演示。文中详细说明了各步骤的具体操作命令和注意事项，特别针对安装过程中的常见问题提

 码农Q！
2025-08-21 13:03:57

 874

 12

#开发语言 #语言模型 #人工智能 +2
SGLang为什么那么快？原理讲解

本文主要探讨了在预训练模型瓶颈显现的背景下，后训练和推理计算的重要性，并建议从模型服务（serving）入手，因为这是模型应用的第一步。文章比较了SGLang和vLLM两个框架，它们分别来自斯坦福和UC伯克利，功能相似，但各有特色。SGLang提供了丰富的服务功能，如chunkedprefill、speculativedecoding、radixattention和structured

Java程序员周瑜
2025-05-09 13:45:25

 1787

 9

#神经网络 #深度学习 #目标检测 +4
开箱即用的PyTorch YOLOv3目标检测工程：含预训练权重、14张测试图与摄像头/视频实时检测脚本

一套拿来就能跑的YOLOv3 PyTorch实现，基于ayooshkathuria项目精简整合，无需配置环境或手动下载模型。压缩包内置240MB yolov3.weights预训练权重，直接加载即可推理，解决国内用户访问GitHub大文件慢或失败的问题。支持COCO和VOC两类常用数据集格式，配套coco.names和voc.names类别文件，以及pallete颜色映射表，确保检测框显示清晰可辨

 a0b1c2d3
2026-06-12 03:37:45

 215

 4

#目标检测
别再只懂IoU了！手把手用PyTorch复现GIoU/DIoU/CIoU损失函数（附完整代码与测试用例）

本文深入解析目标检测中边框回归的核心挑战，通过PyTorch实战演示如何复现GIoU、DIoU和CIoU三种改进版损失函数。详细代码实现展示了这些方法如何解决传统IoU的梯度消失问题，并在YOLOv5框架中显著提升检测精度，特别是DIoU对小目标检测的优化效果突出。

金七言
2026-06-09 13:17:07

 329

 10

#目标检测
别再只懂IoU了！手把手用PyTorch复现GIoU/DIoU/CIoU损失函数（附完整代码与单元测试）

本文详细介绍了如何使用PyTorch复现GIoU、DIoU和CIoU损失函数，涵盖从理论推导到工程实践的完整流程。通过向量化计算、边界条件处理和模块化设计，帮助开发者优化目标检测任务中的边框回归精度，提升模型性能。文章还提供了完整的代码实现和单元测试，确保各变体与数学公式的一致性。

清风明月人间
2026-06-09 10:25:08

 301

 8

#目标检测
避坑指南：PyTorch 1.5+环境下跑通SSD.pytorch老项目的完整流程

本文详细介绍了在PyTorch 1.5+环境下运行经典SSD.pytorch项目的完整流程，包括环境准备、数据集处理、关键代码适配和训练流程改进。通过解决版本兼容性问题，帮助开发者顺利复现目标检测项目，提升训练效率。

EYES 乱
2026-06-04 16:40:20

 249

 12

#目标检测 #深度学习
别再只懂MSE了！PyTorch实战：用Smooth L1 Loss搞定目标检测中的边界框回归

本文深入探讨了目标检测中边界框回归的损失函数选择，重点对比了MSE、L1和Smooth L1 Loss的性能差异。通过PyTorch实战演示，展示了Smooth L1 Loss在Faster R-CNN框架下的优越表现，包括收敛速度和最终精度。文章还提供了高级调优策略和常见问题解决方案，帮助开发者优化目标检测模型。

shikaao14
2026-06-04 10:26:13

 362

 9

#目标检测
保姆级教程：用SSD-Pytorch训练水下目标检测数据集（附常见报错解决方案）

本文提供了一份详细的SSD-Pytorch水下目标检测模型训练教程，涵盖数据预处理、模型定制、训练策略及常见问题解决方案。通过优化默认框尺寸、分阶段训练和集成多模型等技术，有效提升水下场景的检测精度，特别适合处理低对比度、颜色失真等水下图像特性。

崔怂包
2026-06-04 10:24:14

 352

 9

#目标检测
保姆级避坑指南：用PyTorch 1.5+和SSD.pytorch训练自定义数据集（附常见错误修复）

本文提供了一份详细的PyTorch 1.5+与SSD.pytorch训练自定义数据集的避坑指南，涵盖环境配置、数据集准备、关键代码修改及常见错误修复。通过实战经验分享，帮助开发者高效完成目标检测模型的训练与优化，特别适合需要快速上手SSD目标检测的AI开发者。

霜霜很乖哦
2026-06-04 09:28:50

 249

 10

#目标检测 #深度学习
保姆级教程：用SSD-Pytorch训练水下目标检测数据集（附常见报错解决方案）

本文提供了一份详细的SSD-PyTorch水下目标检测训练教程，涵盖数据预处理、模型调优及常见报错解决方案。针对水下图像的特殊性，重点介绍了数据增强策略、锚框尺寸优化和特征提取网络改进，帮助开发者有效提升模型在水下环境中的检测精度。

进击的大虎
2026-06-04 11:24:38

 298

 8

#目标检测
手把手复现DetNet-59：用PyTorch从ResNet50改造一个检测专用Backbone（附代码）

本文详细介绍了如何从ResNet50改造为DetNet-59，构建检测专用骨干网络的工程实践。通过停止下采样、使用膨胀卷积等核心技术，DetNet有效解决了检测任务中的分辨率保持和多尺度感知问题。文章提供了完整的PyTorch实现代码，并分享了工程优化技巧，帮助开发者快速应用于实际项目。

Unstable Element
2026-06-04 11:18:55

 281

 10

#计算机视觉 #目标检测
YOLOv1保姆级代码解读：用PyTorch复现论文核心（附7x7网格、损失函数实现细节）

本文详细解析了YOLOv1算法的PyTorch实现，包括7x7网格划分、损失函数设计及置信度与IOU计算等核心细节。通过代码示例展示了如何构建网络架构、处理数据标签及实现非极大值抑制(NMS)，为开发者提供了从理论到实践的完整指导。

十八岁的老女人
2026-05-28 16:49:20

 336

 12

#目标检测
以下是一个基于PyTorch和YOLOv5的完整代码示例，涵盖了数据准备、模型训练、验证和评估等关键步骤

本文介绍了基于PyTorch和YOLOv5的织物疵点检测方法。主要内容包括：1) 环境准备，安装必要的库；2) 数据集组织，包含训练/验证图像和YOLO格式标签；3) 创建数据配置文件定义类别；4) 使用YOLOv5预训练模型进行训练；5) 模型评估方法；6) 预测结果可视化代码实现。该方法通过目标检测技术可有效识别断经、断纬等6类织物缺陷，为纺织品质量检测提供自动化解决方案。文章提供了完整的代码

 DeepLearningYolo
2026-05-28 16:44:58

 340

 9

#目标检测
告别PyTorch卡顿！在树莓派5上用NCNN部署YOLOv8，实现实时目标检测的保姆级教程

本文详细介绍了如何在树莓派5上使用NCNN框架高效部署YOLOv8模型，实现实时目标检测。通过对比PyTorch与NCNN的性能差异，展示NCNN在ARM架构上的优化优势，并提供从环境配置、模型转换到实战部署的完整教程，帮助开发者在边缘设备上实现20+fps的检测速度。

赵大忽悠
2026-05-26 11:16:59

 511

 13

#目标检测
保姆级教程：用PyTorch从零复现YOLOv5的C3模块和SPPF模块（附代码）

本文提供了一份详细的PyTorch教程，从零开始复现YOLOv5中的C3模块和SPPF模块。通过代码实现和原理解析，帮助开发者深入理解YOLOv5的核心组件，掌握目标检测模型的关键技术。教程包含环境配置、模块构建、性能验证及优化技巧，适合希望提升深度学习实践能力的开发者。

KXZDQ
2026-05-19 09:28:20

 341

 8

#目标检测 #深度学习
别再只换Backbone了！手把手教你用PyTorch为YOLOv4设计自定义轻量化Neck（以MobileNet为例）

本文详细介绍了如何用PyTorch为YOLOv4设计自定义轻量化Neck模块，以MobileNet为例优化目标检测模型。通过分析Neck模块的重要性、设计原则及实战代码，帮助开发者在移动端和嵌入式设备上实现高效部署，显著提升性能并降低计算资源消耗。

阿特拉斯大兄弟
2026-05-13 09:20:53

 177

 6

#目标检测
别再纠结选哪个了！用小麦检测数据集实测YOLOv5/v7/v8，告诉你n/s/m/l/x各版本到底差在哪

本文通过小麦病害检测数据集实测YOLOv5/v7/v8各版本性能，揭示在小数据集场景下模型参数与性能对比的关键发现。结果显示，模型增大未必提升精度，YOLOv8相比v5提升有限，而v5n在速度和显存占用上表现优异。文章提供选型决策树和训练技巧，帮助开发者根据硬件条件和应用场景选择最适合的模型。

路易·罗莎
2026-04-30 09:12:02

 203

 3

#目标检测
别再让简单样本拖后腿了！手把手教你用PyTorch实现OHEM损失函数（附完整代码）

本文详细介绍了如何使用PyTorch实现OHEM（Online Hard Example Mining）损失函数，以优化目标检测模型在困难样本上的表现。通过动态筛选高损失样本，OHEM有效解决了样本不平衡问题，提升模型对小目标和遮挡物体的识别能力。文章包含完整代码实现、参数调优指南及实战避坑技巧，适合深度学习开发者进阶学习。

WWF世界自然基金会
2026-04-30 09:11:26

 191

 5

#目标检测 #深度学习