登录社区云，与社区用户共同成长
邀请您加入社区
摘要： 本文详细介绍了一套基于YOLOv12和C#的PCB板元件极性智能检测系统。针对传统人工检测漏检率高（5%-8%）、机器视觉算法维护成本高等痛点，该系统采用三层架构设计，通过工业相机采集图像，C#工控机集成YOLOv12模型进行实时推理，实现99.8%的检测准确率，产线速度提升50%。文章涵盖数据集制作、模型训练、C#集成及现场调试全流程，特别强调工业场景下的数据采集要点（如实际产线环境、负
摘要（150字）： 本文介绍如何用Java+ONNX Runtime快速部署YOLO视觉项目。作者仅用3天完成仓储货物识别系统，从需求分析到部署上线，全程使用Java技术栈。系统采用Spring Boot+ONNX Runtime+OpenCV组合，YOLOv12模型训练后转为ONNX格式在Java中直接推理，准确率达96.8%。文章详细拆解了3天开发计划：第1天环境搭建与数据标注，第2天模型训练
这套C#上位机+YOLOv11的物流分拣方案，已经在三个快递网点和两个工厂内部物流项目中稳定运行了一年多。平均每个项目的硬件成本不到2万块，分拣效率提升3倍，错误率降到0.1%以下，投资回报期不到一个月。对于中小物流企业来说，这是目前性价比最高的自动化分拣方案。它不需要复杂的基础设施，不需要专业的AI工程师，一个普通的C#开发者就能完成开发和维护。未来优化方向引入多相机协同，实现360度标签检测增
目标检测落地解决方案
面向遥感小目标实时检测，构建基于 Flask+SocketIO/HTML/CSS/JS 的网页平台，集成 YOLOv5–YOLOv12，支持图片、视频与浏览器摄像头输入，提供双画面对比、视频同步双帧及进度控制。系统支持模型选择与权重上传、Conf/IoU 与类别筛选、CSV 导出、带框结果一键下载、SQLite 入库与可跳过的登录/注册。统一评测 mAP、F1、PR 与训练曲线，前后端解耦、低延迟
【150字摘要】测试岗位正经历结构性变革，传统执行型测试逐渐被自动化、平台化的质量工程取代。核心变化体现在：质量保障从人工兜底转向系统机制，覆盖全研发流程；测试对象从确定性功能扩展到复杂AI系统；岗位要求从用例执行升级为质量体系设计能力。未来竞争力在于掌握自动化、接口测试、CI/CD流水线、AI评测等工程能力，而非基础功能验证。企业需求正转向"质量工程"、"测试开发&
面向产线与仓储的条码/二维码实时检测，基于 Flask+SocketIO 搭建 Web 平台：支持图片/视频/摄像头输入，原图/检测图双视图与视频同步双帧，进度/暂停/继续/停止控制，Conf/IoU 与类别筛选；结果 CSV 与带框素材一键导出并写入 SQLite。提供登录/注册（可跳过）、模型选择与权重上传，内置 YOLOv5–YOLOv12 对比（mAP/F1/PR/训练曲线），默认 PyT
构建基于 Flask+SocketIO 与 HTML/CSS/JS 的商品识别平台，支持图像/视频/摄像头；提供双画面对比、进度控制、阈值与类别筛选、CSV 与带框一键下载。SQLite 入库，登录/注册可跳过，记录可检索高亮；推理侧支持模型选择与权重热切换。覆盖 YOLOv5–YOLOv12，对比 mAP/F1/PR、训练曲线及延迟/参数量，并针对小目标、遮挡与近似外观给出可视化分析。文末附工程
面向叶片病害实时检测，构建基于 Flask+SocketIO/HTML/CSS/JS 的 Web 平台，支持图片、视频与摄像头输入，提供双画面对比、进度与阈值调节、类别筛选、CSV 导出与带框结果一键下载。内置登录/注册（可跳过）与 SQLite 入库；算法覆盖 YOLOv5–YOLOv12，支持模型选择与权重上传，统一对比 mAP、F1、PR 与训练曲线。兼容 GPU/CPU 与 ONNX/Te
基于 Flask+SocketIO 构建行人/车辆检测计数平台，前端 HTML/CSS/JS；支持图片、视频与摄像头，提供原/检双画面对比、播放进度控制、阈值与类别筛选；结果可 CSV 导出与带框图/视频一键下载。内置 SQLite 与登录/注册（可跳过），界面可选模型并上传权重。后端集成 YOLOv5–YOLOv12，对 mAP、F1、PR、训练曲线及延迟/资源占用进行对比；附工程与数据集下载，
本文实现基于Flask+SocketIO的“人群密度实时检测”平台，前端支持图片、视频与浏览器摄像头，原图/检测图**双画面对比**，并提供暂停、继续、跳转与停止等进度控制。集成YOLOv5–YOLOv12八种模型，在线统计计数与区域密度，阈值与类别可调，结果支持CSV导出与带框图片/MP4一键下载；**SQLite入库**与**登录/注册（可跳过）**保障体验与安全。内置模型选择与权重上传、训练
构建行人跌倒实时检测平台：Flask+SocketIO+PyTorch 集成 YOLOv5–YOLOv12，支持模型选择与权重上传；前端接入图片/视频/摄像头。提供左右双画面对比、同步双帧与进度控制，Conf/IoU 与类别可调；结果支持 CSV、带框文件一键下载并写入 SQLite。含可跳过的登录与会话管理与清晰导航，快速定位最近记录；对八种 YOLO 做 mAP、F1、PR 与训练曲线对比，附
面向远距离停车位检测，我们以 Flask+SocketIO 搭建网页版实时平台：支持图/视/摄输入，原/检双画面、进度控制、CSV 与带框一键下载、SQLite 入库，登录/注册可跳过；内置 YOLOv5–YOLOv12（8 模型）与权重热切换，统一对比 mAP/F1/PR 与训练曲线，报告多分辨率延迟–精度权衡；适配路侧高点俯拍，支持批量导出与溯源，附演示与工程/数据集下载。
面向停车位实时检测，基于 Flask+SocketIO 的 Web 平台，支持图片/视频/摄像头输入与左右等宽对比、进度/暂停/继续/停止、阈值与类别筛选、CSV 与带框一键下载；集成 SQLite 与登录/注册（可跳过），可定位最近记录并高亮；内置 YOLOv5–YOLOv12 模型切换与权重上传，统一评测 mAP/F1/PR/训练曲线并可视化；适配车库与路侧，便于边缘部署与二次开发；文末附完整
面向PCB电子元件识别与缺陷前置筛查，构建基于Flask+SocketIO的YOLO检测平台，支持图片、视频与浏览器摄像头输入，提供原图与检测结果双画面对比、进度控制与同步双帧展示；内置Conf/IoU调节、类别筛选、CSV导出、带框结果一键下载与SQLite入库，并含登录/注册（可跳过）、模型选择与权重上传。算法覆盖YOLOv5–YOLOv12八种实现，统一比较mAP、F1、PR曲线与训练曲线，
面向PCB板缺陷实时检测，构建基于Flask+Flask-SocketIO+HTML/CSS/JS的Web平台，集成YOLOv5–YOLOv12八种模型，对比mAP、F1、PR与训练曲线。前端支持图片/视频/摄像头输入，提供左右双画面对比、进度与阈值控制、类别筛选；支持CSV导出、带框结果一键下载、SQLite入库；含登录/注册（可跳过）、模型选择与权重上传。系统兼顾精度与毫秒级延迟，并给出部署与
本文构建障碍物实时检测Web平台：后端Flask+SocketIO、前端HTML/CSS/JS，集成YOLOv5–YOLOv12，支持图片/视频/浏览器摄像头。提供原图—结果双画面、视频进度与暂停/继续/停止、Conf/IoU与类别筛选；结果支持CSV与带框图/视频一键下载，记录入SQLite。支持登录/注册（可跳过）与安全会话，模型在线选择与权重上传热切换；内置mAP、F1、PR与训练曲线可视化
本文构建基于 Flask+Flask-SocketIO+HTML/CSS/JS 的手写数字与符号实时检测平台，集成 YOLOv5–YOLOv12 与权重热插拔，支持图片/视频/摄像头输入，提供原图—检测图双画面对比、进度控制、阈值与类别筛选。检测记录支持 CSV 导出与带框图像/视频一键下载，结果入库 SQLite，并配合可跳过的登录/注册完成会话管理；可一键切换模型与上传权重，前端自动刷新类别与
面向夜视行人实时检测，构建 Flask+SocketIO 网页系统，集成 YOLOv5–YOLOv12，支持图/视频/浏览器摄像头；前端双画面对比与同步双帧，含进度/暂停/继续/停止；后端 PyTorch 推理，支持 Conf/IoU、类别筛选、CSV 与带框一键下载，结果入 SQLite；提供登录/注册（可跳过）与模型选择/权重热切换；实验对比 mAP、F1、PR 与训练曲线，并给出延迟与参数量
本文搭建基于 Flask+SocketIO 的夜间车辆实时检测平台，集成 YOLOv5–YOLOv12，支持图片、视频与浏览器摄像头输入；提供原图/检测图双画面对比、播放进度控制、阈值与类别筛选、CSV 导出与带框结果一键下载。系统含 SQLite 持久化与登录/注册（可跳过），可在线更换模型与上传权重，并统一对比 mAP、F1、PR 与训练曲线，兼容 PyTorch/ONNX/TensorRT
构建基于 Flask+Flask-SocketIO 的多目标实时检测平台（HTML/CSS/JS 前端），内置 YOLOv5–YOLOv12，统一评测 mAP/F1/PR 与训练曲线。支持图像/视频/摄像头输入与原图-结果双画面、进度控制；提供登录/注册（可跳过）、模型切换与权重上传、CSV/带框结果下载、SQLite 入库，兼容边缘加速与批量导出，并附工程与数据集链接及部署评测说明。
本项目基于YOLOv8实现SAR影像目标检测系统，包含完整代码、数据集、预训练模型和GUI界面。系统支持图像/视频检测，提供精确率、召回率等指标评估。采用PySide6+OpenCV构建简洁界面，支持摄像头实时检测。项目结构清晰，包含模型训练、验证和部署全流程，提供详细配置教程。核心功能包括：图像上传、目标检测（平均处理时间0.003s）、结果可视化及坐标显示。适用于PyCharm/VS Code
面向金属锈蚀的实时检测平台：Flask+SocketIO 后端 + Web 前端；支持图片/视频/摄像头，双画面对比与视频进度控制；可调 Conf/IoU、类别筛选；结果 CSV 导出、带框一键下载、SQLite 入库；登录/注册（可跳过）与会话管理，导航含概览—检测—模型—导出；支持 YOLOv5–YOLOv12 与权重上传，对比 mAP/F1/PR/训练曲线，兼顾低延迟与边缘部署；提供最近记录
本文面向安全帽实时检测，基于Flask+SocketIO与HTML/CSS/JS实现网页端系统，支持图片/视频/摄像头输入与左右双画面对比，含视频进度控制、CSV导出与带框结果一键下载；结果可写入SQLite并可检索回溯。集成YOLOv5–YOLOv12共8种模型，对比mAP、F1、PR与训练曲线；内置模型选择与权重上传、登录/注册（可跳过）与会话管理；提供数据与代码下载及在线演示，默认以YOLO
摘要：本文针对智能网联汽车在缺失车车通信条件下的跟驰控制问题，提出一种基于历史车间距信息的加权最优速度改进模型。该模型通过引入多历史时刻车间距的加权调节项，使车辆加速度决策不仅依赖当前车间距，还能参考历史变化趋势。理论分析表明，适当增加历史时刻数(N)和采样间隔(τ)可扩大稳定域，但超过阈值会反致失稳。环形车道仿真验证了理论预测，证实短时历史信息能有效抑制扰动，而长时信息会导致稳定性衰减。研究为缺
本文详细介绍了如何使用ESP32-S3和EdgeLab工具包从零开始训练并部署一个高效的人脸检测模型。内容涵盖环境搭建、数据集准备、YOLOv5-tiny模型训练、TFLite模型转换及ESP32-S3部署优化等全流程，帮助开发者快速掌握边缘计算场景下的目标检测技术。
本文详细介绍了如何将Python训练的YOLOv8模型通过ONNX格式迁移到C++环境，实现性能的显著提升。通过ONNX Runtime和OpenCV的优化配置，C++部署可带来8倍推理速度提升和60%内存占用降低，特别适合嵌入式设备和资源受限环境。文章包含完整工程配置和性能对比数据，为开发者提供实用指南。
本文根据Hanzi Wang等人的论文“Backgroundsubtraction based on a robust consensus method ”结合自己的理解而成，如果对论文感兴趣的，可以点击打开链接，有问题欢迎交流。另转载请注明出处：http://blog.csdn.net/kezunhai。在文中，作者提出了一种基于统计的高效自适应的运动目标检测算法。该算法被称为SACO
工业视觉中复杂光照问题的解决方案 摘要：针对工业视觉中金属零件检测的光照干扰问题，本文提出了一套三位一体解决方案。通过采集5000张多时段原始图像并生成50000张增强数据，结合YOLOv12模型优化（加入CBAM注意力机制和Mosaic+Mixup增强），最终在C#端实现CLAHE实时图像增强。该系统成功将汽车刹车盘缺陷检测准确率从阴天72%提升至99.2%，解决了自然光变化、金属反光和油污干扰
本文介绍了一个基于深度学习的多模态目标检测系统。该系统采用YOLOv11模型和PyTorch框架实现高效检测，支持图像、视频和实时摄像头三种检测模式。系统架构包含算法层（YOLOv11+PyTorch）、后端层（Python+Django+SQLite）和前端层（Vue3），提供完整的Web交互界面，包括文件上传、实时检测和历史查询功能。系统具有轻量化部署特点，通过SQLite数据库存储检测记录，
本文分享了在C#上位机部署YOLOv11模型时遇到的性能问题及解决方案。作者最初采用跨进程调用Python脚本的方式，导致推理速度从12FPS暴跌至4FPS。经过分析发现69%的时间浪费在数据传输和序列化上。最终采用ONNX Runtime原生部署方案，通过导出ONNX模型、安装NuGet包、编写C#推理类等步骤，不仅解决了性能问题，还将推理速度提升至38FPS，比Python原生快3倍。该方案避
本文介绍了一套基于YOLOv11的工业缺陷检测系统实战经验。针对汽车零部件工厂质检痛点，作者设计了一个四层架构的解决方案，通过5个关键优化将准确率提升至99.2%，漏检率降至0.08%。核心创新包括：定制化数据增强（Copy-Paste等技术）、针对小缺陷的模型改进、TensorRT量化加速（推理速度提升3倍至12ms）、多线程并行架构降低延迟。该系统成功替代6名质检员，年节省成本50万元，已在产
YOLOv12升级摘要（150字） YOLOv12带来五大革新：1）ACB注意力主干替代卷积，计算量降25%；2）无NMS端到端检测减少30%延迟；3）R-ELAN特征融合提升多尺度检测精度；4）INT8量化使模型体积缩小75%；5）统一API接口保持C#代码兼容性。工业实测显示，在640×640输入下，YOLOv12m推理速度达52ms（比v8快39%），内存占用降低33%，尤其适合C#开发的嵌
本文为C#开发者提供调用YOLO目标检测的实战指南，对比Python方案突出C#在环境配置、项目集成和运行效率上的优势。文章精选YOLOv8n轻量模型+ONNX Runtime推理框架+OpenCvSharp4图像处理的技术组合，通过详细图文步骤讲解环境搭建（VS2022+NuGet包安装），并给出完整可运行的代码示例（含注释）。特别适合C#开发者快速实现目标检测功能，避免Python环境配置问题
在工业视觉检测、智能安防上位机、嵌入式视觉项目中，Java凭借跨平台、生态成熟、适配Windows/统信UOS等优势，成为大量企业级视觉项目的首选开发语言。模型加载直接失败、推理延迟高到无法实时使用。笔者在近一年的工业质检上位机开发中，用Java对接YOLO模型踩了不下20个坑，从OpenCV DNN、PyTorch4J到ONNX Runtime全试过，最终梳理出一套可落地、可复现的问题解决方案，
本文分享了Java环境下YOLO目标检测模型推理优化的实战经验。针对工业场景中Java YOLO推理帧率低下的问题，通过模型轻量化、ONNX Runtime引擎替换、并发架构重构、JVM调优等四层优化手段，将推理帧率从10FPS提升至30FPS以上。详细介绍了各优化环节的技术实现，包括模型量化压缩、线程池异步处理、硬件加速配置等核心代码，并提供了性能对比数据验证优化效果。该方案有效解决了Java视
本文介绍了AFIA（Adaptive Feature Interaction and Augmentation）注意力模块，该模块针对医学图像目标检测任务中的动态干扰、模糊目标和复杂背景问题进行了优化。AFIA通过双分支自注意力机制（DSA和SSA）分别保留全局信息和抑制噪声，结合自适应特征融合和通道重排技术，有效提升了模型在动态场景下的特征表达能力。文章详细阐述了AFIA的原理、核心代码实现及在
基于 Flask+SocketIO，构建人脸表情实时检测 Web 平台，支持图片/视频/摄像头输入与双画面对比、进度控制。集成 YOLOv5–YOLOv12，前端可切换模型、上传权重、调节 Conf/IoU，并自动汇总 mAP、F1、PR 与训练曲线。系统支持 CSV 导出、带框结果一键下载、SQLite 入库与历史检索，含登录/注册/跳过与口令哈希安全；界面提供类别筛选与最近记录定位。附数据与代
本文深度解析了目标检测中的数据增强技术，主要涵盖四个维度：1）几何增强（翻转、旋转、裁剪）和像素增强（色彩调整）；2）噪声注入（高斯/椒盐噪声模拟极端环境）；3）抗遮挡增强（随机擦除和网格掩码技术，提升模型抗干扰能力）；4）跨样本混合（如Mixup算法实现图像和标签的线性融合）。通过多图演示展示了各类增强效果，这些方法能显著提升模型泛化能力，特别是在样本不足时效果尤为突出。文中还提供了关键算法的P
远距离停车位检测受小目标、透视畸变与遮挡光照变化影响显著。本文基于 YOLOv5–YOLOv12 实现一套检测系统，在统一数据集与设置下对多版本模型的精度、速度与规模进行对比，并给出可复现的训练与推理流程。配套构建并标注远距离停车位数据集，完成清洗、增强与训练/验证/测试划分；工程端以 PySide6 开发可视化界面，支持多源输入、权重切换、Conf/IOU 调节、结果展示与导出及数据库存储。项目
本文介绍了使用YOLOv5进行无人机视角斑马线目标检测的完整流程。首先搭建Python环境并安装YOLOv5依赖，然后准备包含斑马线类别的YOLO格式数据集。通过调整超参数训练模型，支持单张图片和批量推理，并可评估mAP等性能指标。最后提供了PyQt5构建GUI应用的代码框架，实现图像加载、检测和结果显示功能。该方法适用于无人机视角下的斑马线检测任务，为交通管理提供技术支持。
原文链接：https://doi.org/10.1609/aaai.v40i8.37603author={Yuxuan Li and Xiang Li and Yunheng Li and Yicheng Zhang and Yimian Dai and Qibin Hou and Ming-Ming Cheng and Jian Yang}摘要随着遥感技术的快速发展，高分辨率多模式图像的获取越来
面向田间杂草在强光阴影、遮挡混杂与小目标密集条件下的稳定识别需求，本文实现了一套基于YOLOv5至YOLOv12的杂草检测系统，并在同一数据集上对多代模型进行统一训练与推理对比，给出可复现实验配置与性能分析。系统采用Python 3.12与PySide6开发桌面端界面，支持图片、视频与摄像头输入，提供Conf/IoU调节、检测框与类别统计、热力图与结果导出等功能；并结合SQLite实现用户注册登录
本文介绍了一种利用USB摄像头实现体感游戏控制的创新方案。通过MediaPipe姿态检测模型，将玩家动作实时转化为键鼠操作，支持《燕云十六声》和《原神》等游戏。方案包含完整的实现步骤：Python环境配置、Anaconda虚拟环境搭建、PyCharm工程设置、依赖项安装（OpenCV、MediaPipe等）、模型权重下载，以及多线程处理架构（摄像头读取、姿态检测）。系统仅需普通USB摄像头和中等配
本文实现了基于 YOLOv5–YOLOv12 的癌症图像检测系统，提供完整代码、数据集与 PySide6 桌面界面。系统支持图片/视频/摄像头输入与结果可视化，集成阈值调节、类别统计、热力图与导出功能，并在统一配置下对 8 个 YOLO 模型进行 mAP、F1 等指标对比评估，便于复现与扩展。
本文面向输电线路巡检，基于 YOLOv5–YOLOv12 构建设备检测系统，并提供完整代码、PySide6 可视化界面与数据集工程。系统支持图片/视频/摄像头输入与多版本 YOLO 权重一键切换，输出检测框、置信度与类别统计，支持 Conf/IOU 调节、热力图分析及结果保存导出；并基于 SQLite 实现登录注册与记录持久化。实验对比 YOLOv5–YOLOv12 在同一数据集上的精度与速度，为
YOLOv12革新：纯注意力架构在工业检测中的落地实践 YOLOv12突破性地采用纯注意力架构，取代传统卷积设计，在精度和速度上实现双提升。该架构通过全局特征建模和动态感受野，显著增强了对复杂场景的适应能力。针对工业部署需求，文章详细解析了： 模型核心创新点：窗口注意力机制和轻量化检测头设计 ONNX导出优化技巧，确保工控机兼容性 C#端完整实现方案，包括预处理、推理和后处理全流程 实测数据显示，
本文详细介绍了C# + YOLOv11工业视觉系统从模型导出到PLC联动的完整落地流程。我们从系统架构设计开始，一步步讲解了模型导出、ONNX Runtime部署、工业相机集成、Modbus TCP通信等关键技术，并提供了可直接复用的代码。工业视觉系统的落地不是一蹴而就的，需要在实践中不断优化和完善。希望本文能帮助你少走弯路，快速将AI视觉技术应用到实际生产中。👉 点击我的头像进入主页，关注专栏
摘要：本文介绍了GhostNet轻量级神经网络的核心创新——Ghost模块，该模块通过廉价线性变换生成冗余特征图（幻影特征图），显著降低计算量。基于Ghost模块构建的Ghost bottleneck可替代传统卷积模块，在ImageNet分类任务中超越MobileNetV3，参数量更少。文章详细阐述了Ghost模块的两步卷积策略（1x1卷积+分组卷积）和GhostNet网络架构，并验证其在目标检测
目标检测
——目标检测
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
openEuler 社区
AI硬件创业社区
