登录社区云，与社区用户共同成长
邀请您加入社区
本项目基于YOLOv12深度学习框架，开发了一套高效的无人机目标检测系统，专注于实时识别与定位无人机目标。系统以单类别（'drone'）为核心检测任务，通过优化模型结构和训练策略，显著提升了复杂场景下无人机的检测精度与速度。项目针对无人机体积小、移动速度快、背景干扰多等挑战，采用数据增强、多尺度训练等技术增强模型鲁棒性，可广泛应用于空域安防、机场监控、隐私保护等领域。实验表明，该系统在验证集上达到
本项目基于YOLOv11深度学习框架，开发了一套针对无人机的实时识别与检测系统，适用于安防监控、空域管理等领域。系统以单类别（drone）为目标，通过优化模型结构和训练策略，实现了对无人机目标的高精度检测。项目采用轻量化设计，兼顾计算效率与准确性，可部署于边缘设备（如Jetson系列）或无人机管控平台，为低空安全提供智能化解决方案。
本项目基于YOLOv8（You Only Look Once v8）目标检测算法，开发了一套高效、精准的无人机识别检测系统，专门用于实时检测和定位无人机目标。系统仅针对单类别（drone）进行优化，确保在复杂背景下仍能保持较高的检测精度和实时性能。数据集包含1359张标注图像，其中训练集1012张，验证集347张，涵盖了不同光照条件、飞行姿态及背景干扰场景，以提高模型的泛化能力。
在工业设备运行过程中，油液泄漏是常见但危害严重的问题，可能导致设备损坏、生产停滞甚至安全事故。传统的泄漏检测方法通常依赖于人工巡检或传感器监测，效率较低且难以实时发现泄漏。基于深度学习的目标检测技术能够自动、高效地识别设备泄漏，并在实时监控中提供准确的检测结果。
YOLOv10作为YOLO系列的最新版本，以其高效的检测速度和较高的精度，成为无人机红外检测系统的理想选择。本项目旨在利用YOLOv10算法，结合红外图像数据，开发一套高效、准确的车辆和行人检测系统，为无人机应用提供智能化支持。
YOLOv10无人机识别检测系统是基于YOLOv10算法的智能检测系统，可实时识别和定位无人机。系统支持图片检测、批量图片处理、视频分析和摄像头实时监测，适用于空域监控、安防等领域。采用包含1012张训练图像的数据集，模型训练500轮次，精度达95%以上。系统提供PyQt5开发的图形界面，支持结果可视化展示和数据保存。核心功能包括高精度检测、实时处理和多格式输出，可部署于多种硬件平台。项目演示视频
随着物联网、大数据和人工智能等技术的飞速发展，对无线通信的需求日益增长。传统的集中式网络结构已无法满足日益复杂的应用场景，尤其是突发性灾难事件的应急通信需求。移动边缘计算 (MEC) 技术将计算资源和数据存储能力扩展到网络边缘，为用户提供低延迟、高带宽的服务，成为解决应急通信挑战的重要技术。无人机 (UAV) 以其灵活机动、部署便捷的优势，能够作为移动边缘计算节点，构建空中移动通信网络，为灾区提供
针对红外场景下无人机目标检测任务，本文基于YOLO26框架构建了一套高精度识别系统。实验采用包含5019张训练图像与1233张验证图像的红外无人机数据集，类别为单一目标drone。模型训练后，在验证集上取得了mAP50为0.981、Precision为0.986、Recall为0.949的优异性能，F1-score最高达0.97。混淆矩阵显示，无人机识别准确率达96%，背景误检率仅为4%。实验结果
随着物联网、大数据和人工智能技术的快速发展，对无线网络性能和计算能力的需求不断增长。传统集中式云计算面临着高延迟、带宽瓶颈和隐私安全等问题，无法满足日益增长的移动应用需求。移动边缘计算 (Mobile Edge Computing, MEC) 作为一种新兴的计算架构，将计算资源和数据存储移至网络边缘，为用户提供低延迟、高带宽和高可靠性的服务。而无人机 (Unmanned Aerial Vehicl
无人驾驶飞行器（UAV）在军事、民用等众多领域得到了广泛应用。开发高效、准确的 UAV 模拟器对于 UAV 的设计、测试以及操作人员培训至关重要。结合粒子群优化 - 路径规划算法（PSO - PA）和 Q - learning 机器学习算法的 UAV 模拟器，能够更好地模拟 UAV 在复杂环境中的飞行行为，为 UAV 相关研究和应用提供有力支持。
本数据集是一个专为红外热成像场景下无人机目标检测而构建的高质量标注数据集。数据集严格遵循YOLO格式（即归一化标注规范），共包含单一类别（nc: 1），即drone（无人机）。数据集被官方划分为训练集（5019张图像）和验证集（1233张图像），这种划分比例（约8:2）符合深度学习模型训练的一般经验准则，既保证了充足的样本用于学习特征，又保留了足够规模的独立样本用于客观评估模型泛化能力。数据集划分
多无人机辅助的多接入边缘计算（MEC）作为空天地一体化网络的核心组成部分，能够为地面用户提供灵活的计算卸载与通信服务，在应急救援、巡检监测等场景中展现出巨大应用潜力。然而，无人机机载能量有限，传统正交多址接入（OMA）框架下多用户并行卸载时频谱资源冲突严重，系统能耗居高不下，严重制约了无人机的续航时长与服务覆盖范围。
随着移动互联网和物联网的迅猛发展，大量智能设备接入网络，数据量呈爆炸式增长。传统的云计算模式将数据传输到远程数据中心进行处理，面临着高时延、高能耗以及网络拥塞等问题。移动边缘计算（MEC）应运而生，它将计算资源下沉到网络边缘，使数据能够在靠近用户的位置进行处理，大大降低了数据传输时延，提升了用户体验。无人机因其具有灵活部署、快速响应等特点，逐渐被引入到 MEC 系统中，形成无人机辅助的 MEC 系
随着公共安全需求的日益增长，安检X光图像中的危险物品检测技术成为研究热点。本文基于YOLOv11深度学习算法，构建了一套高效准确的X光危险物品检测系统，支持18类常见危险物品（如刀具、枪支、易燃物品等）的实时识别。系统采用包含4385张训练图像和1880张验证图像的标注数据集进行模型训练，并结合用户友好的UI界面与登录注册功能，实现从数据输入到结果可视化的完整流程。实验表明，该系统在复杂背景下仍能
本文提出了一种基于深度学习YOLOv12的无人机红外检测系统，旨在实现对行人（Person）、车辆（Car）、其他交通工具（OtherVehicle）及干扰项（DontCare）的高效检测。系统采用改进的YOLOv12算法，结合红外图像特性进行优化，在包含10,128张训练图像、715张验证图像和355张测试图像的自定义数据集中实现了高精度目标识别。系统设计包含用户友好的UI界面，支持登录注册功能
本文设计并实现了一种基于深度学习YOLOv11算法的无人机红外检测系统，用于实时检测行人（Person）、车辆（Car）、其他交通工具（OtherVehicle）及干扰项（DontCare）四类目标。系统采用改进的YOLOv11模型，结合红外图像特性优化检测性能，并在自制数据集（训练集10,128张、验证集715张、测试集355张）上达到较高精度。此外，系统集成用户友好的UI界面，支持登录注册功能
本项目基于YOLOv11深度学习框架，开发了一套针对树上自然生长苹果的智能检测系统，集成了用户友好的UI界面与完整的登录注册功能。系统能够高效识别复杂自然环境下的苹果目标，准确率可达85%以上（具体性能以实际测试为准），支持实时检测与结果可视化，可应用于果园产量预估、自动化采摘等农业场景。项目提供完整的Python源码、预训练模型及YOLO格式数据集，采用轻量化设计便于部署到边缘设备。关键技术包括
系统采用前台和后台相结合的模式，前台主要是用户对图片的识别，包括单个图片识别、批量图片识别以及对识别后图片的管理等操作。在前台界面用户还可以对自己的个人信息进行相应的修改和检查。在前台界面还可以对图片上传的路径进行相应的设置，包括摔倒图片的存放路径以及未摔倒图片的存放路径，可以实现对图片的分类管理和操作。还可以对用户信息进行对应的修改和删除，对用户信息进行实时的把控。首先，我们利用YOLO算法，首
在空地一体化移动边缘计算场景中，无人机凭借机动灵活、部署便捷、覆盖范围广的优势，可作为移动边缘服务节点，搭载算力设备对地面分布式终端用户的计算任务进行实时卸载与就近处理，有效解决传统地面固定边缘基站覆盖盲区大、部署成本高、应急响应能力弱的问题。然而在复杂野外、陌生城市、动态干扰环境下，多无人机协同作业面临飞行障碍物规避、动态环境自适应、终端服务优先级差异化、多机无冲突协同等多重约束。
