登录社区云，与社区用户共同成长
邀请您加入社区
医疗影像AI辅助诊断系统采用Java+DJL+YOLOv11技术栈，解决传统Python方案在医疗场景下的部署难题。系统从PACS获取DICOM影像，通过预处理后使用YOLOv11模型检测病灶，并生成结构化报告。技术优势包括：纯Java环境便于医院系统集成、DJL框架保障数据安全、YOLOv11算法提升小病灶检测精度。系统架构包含影像采集、预处理、病灶检测、分级分析和报告生成等模块，通过dcm4c
纺织面料瑕疵检测系统采用Java+DJL+YOLOv11技术栈，解决了传统人工检测效率低、漏检率高的问题。系统通过线阵工业相机采集图像，利用YOLOv11模型实现高精度瑕疵检测，并集成报警控制模块实现自动化标记。相比Python方案，该技术栈具有部署简单、运行稳定、易与工业系统集成等优势。系统架构包含图像采集、视觉处理、结果分析和报警控制等模块，支持高速实时检测，显著提升了纺织行业的质量控制水平。
本文介绍了基于Java+DJL+YOLO的工业机器人视觉引导抓取系统解决方案。针对传统Python方案在工业场景中的部署复杂、实时性不足等问题，采用纯Java技术栈实现高性能视觉处理。系统通过工业相机采集图像，利用YOLOv11模型进行目标检测，计算工件坐标并规划机器人抓取路径。文章详细阐述了系统架构、开发环境搭建（包括硬件配置和Maven依赖）以及核心功能实现，重点展示了如何使用DJL框架加载Y
/ 加载自定义模型，指定类别名称var classNames = new[] { "针孔", "划痕", "短路" };如果需要自定义后处理逻辑，可以继承// 自定义后处理逻辑// 使用自定义后处理器TensorRT引擎生成慢：第一次加载模型时，TensorRT会生成引擎文件，这个过程可能需要几分钟。生成的引擎会缓存到本地，下次启动直接加载，速度会快很多。CUDA版本兼容问题：YoloSharp要
摘要：本文分享了工业质检场景下C#调用YOLOv8s ONNX模型的性能优化实战经验。原始单帧推理耗时300ms无法满足产线需求，通过全链路分析定位瓶颈（预处理85ms、推理180ms、后处理30ms）。重点优化措施包括：使用OpenCVSharp CUDA加速预处理（85ms→12ms），开启ONNX Runtime ALL级别图优化，选用TensorRT执行提供程序（180ms→22ms），以
【摘要】本数据集聚焦零售场景中的空货架检测问题，包含1500张真实超市货架图像，采用单类别标注规范（"空"类别标识缺货区域）。数据集覆盖多种货架类型、光照条件和拍摄角度，标注精确符合YOLO标准格式，可直接用于主流目标检测模型训练。其核心价值在于通过计算机视觉技术解决传统人工巡检效率低、缺货发现不及时等痛点，适用于智能零售系统中的实时货架监控、自动补货预警等应用场景。数据集结构
随着人工智能与计算机视觉技术的快速发展，基于目标检测的自动垃圾分类方案正成为行业的重要突破口。通过视觉模型对垃圾进行识别与分类，不仅可以显著提升分类效率，还能降低人工成本，实现智能化、规模化应用。而这一切的前提，是拥有一个**高质量、标准化且贴近真实场景的数据集**。
本文介绍了一个包含2500张图像的鸡行为检测数据集，专为YOLO等目标检测模型训练设计。数据集涵盖进食、休息、站立三类核心行为，严格遵循YOLO标注规范，具有高质量、标准化和真实场景多样性的特点。该数据集可应用于智慧养殖系统、鸡群健康监测、养殖环境优化等领域，推动传统养殖向智能化升级。数据集采用标准结构设计，开箱即用，能有效降低开发门槛，提升模型训练效率和实际应用价值。
摘要： 本数据集包含3600张高质量标注图像，涵盖牛只4类核心行为（喝水、进食、卧下、站立），采用标准YOLO格式组织，适用于智慧养殖场景下的行为识别与健康监测。数据经过人工严格标注，覆盖多场景真实环境，支持精准饲喂、牧场数字化管理等应用。结构规范可直接用于YOLO系列模型训练，助力农业AI研究与产业化落地。数据集聚焦实用价值，平衡数据规模与类别区分度，为畜牧智能化提供可靠数据支撑。
为了满足道路巡检与移动机器人的避障需求，本文开发了一款基于PySide6的障碍物智能检测桌面工作站。系统流畅接入图、视、机多路实时视流，提供动态进度、耗时反馈与阈值微调功能。依托内置SQLite，平台构建了支持免登录跳过的本地数据追溯闭环，允许一键归档CSV统计台账及带框的PNG与AVI可视化影像。在算法核心上，本文横向剖析了YOLOv5至YOLOv12八大模型的mAP、F1等关键性能指标，实现了
为攻克高杆监控等远视距场景下的车位识别难题，本文推出了一款基于PySide6的高效桌面检测平台。该系统针对复杂透视与遮挡痛点进行了深度优化，不仅流畅兼容图、视、机多路实时推理，更配备了精准的耗时统计与进度追踪。在工程管理层面，平台依托内置SQLite实现了灵活的免登录追溯机制，并支持一键导出CSV报表及带框的可视化影像（PNG单帧/AVI序列）。其核心算法引擎横向打通了YOLOv5至YOLOv12
🔥本文给大家介绍使用 CmDRM跨模态差异强化模块 改进YOLO26网络模型，通过跨模态差分建模强化特征表达能力，在特征提取阶段突出不同模态之间的互补信息，从而提升对小目标和弱目标的感知能力。该模块利用差异信息引导注意力机制，有效抑制冗余与噪声干扰，在复杂背景或低对比度场景下显著提高检测的鲁棒性与定位精度。同时，CmDRM结构轻量、易于集成，在不显著增加计算开销的前提下，能够整体提升YOLO26
YOLOv11论文解析：高性能目标检测新突破 这篇论文深入分析了YOLOv11目标检测框架的创新设计与性能优势。作为YOLO系列最新迭代，YOLOv11通过三大核心模块显著提升了检测性能： C3K2模块采用3×3小卷积核优化计算效率 SPPF模块实现高效多尺度特征融合 C2PSA注意力机制增强小目标检测能力 研究显示，在COCO基准测试中，YOLOv11相比前代YOLOv8实现了2.2%的mAP提
瞄准PCB板缺陷自动化质检痛点，本文构建了一套端到端的深度学习桌面检验平台。系统前端搭载PySide6，流畅兼容图、视、摄像头多源输入，并辅以精准的进度与耗时监控以契合工业节拍。依托内置SQLite，软件打造了支持免登录跳过的本地数据闭环，允许质检员一键归档CSV台账及带框影像（PNG或AVI格式）。核心算法详尽评测了YOLOv5至YOLOv12八代模型的mAP、F1等关键指标，更实现了运行态下的
本文详细介绍 YOLOv26 模型在昇腾 NPU 上的完整部署流程，涵盖从模型转换到分布式推理的各个环节。首先，用户使用 ultralytics 框架将训练好的 YOLOv26 best.pt 模型导出为 ONNX 格式，再通过华为 CANN 工具包中的 ATC 命令将 ONNX 模型转换为 Ascend 310B4 NPU 可运行的 OM 模型。转换过程中需要指定输入形状、模型版本等参数。部署采
工业PCB微缺陷检测的挑战与优化方案 摘要：针对PCB板0.3mm微缺陷检测难题，本文提出了一套完整的工业级解决方案。通过对比主流目标检测模型，最终选用YOLO12n作为基础架构，并针对微缺陷特点进行了10项关键优化：包括960×960输入尺寸、P2层特征增强、GAM注意力机制、NWD损失函数等。系统实现了98.7%的召回率和1.8%的误检率，单帧检测时间控制在45ms内，完全满足产线120块/分
YOLOv2（YOLO9000）是目标检测领域的重要突破，在保持实时性的同时显著提升精度。其核心创新包括：引入Anchor Boxes提升边界框预测能力，采用多尺度训练增强模型鲁棒性，设计轻量级主干网络Darknet-19，以及通过联合训练COCO和ImageNet实现9000+类别检测。相比YOLOv1，mAP提升13.4%达到76.8，FPS增至67帧。但仍存在小物体检测不足、Anchor设计
工业场景下YOLO模型全链路优化实践 摘要：针对工业质检场景对检测速度的严苛要求，本文系统性地分享了YOLOv8模型从11.2FPS到102.7FPS的全链路优化方案。通过骨干网络轻量化（RepVGG-A0替换）、结构化剪枝（参数量减少50%）、知识蒸馏（精度恢复至97.6%mAP）、INT8量化（计算量降低4倍）以及TensorRT加速等关键技术，在精度仅下降0.8%的前提下实现9倍性能提升。特
摘要 工业视觉检测中，光照不均是导致60%以上项目失败的核心问题。传统方法（如调整光源、固定阈值等）缺乏自适应性，难以应对复杂多变的光照条件。本文提出基于Java+YOLOv11的系统性解决方案，从数据、模型、推理三个层面优化： 数据层面：通过随机亮度/对比度调整、阴影模拟等增强方法，结合真实产线多时段数据采集，提升模型对光照变化的泛化能力。 模型层面：引入CBAM注意力机制、多尺度训练和迁移学习
摘要： C#与YOLO深度学习的组合已成为工业视觉系统的黄金标准，满足工业场景对稳定性、实时性、集成性和部署便捷性的严苛需求。C#凭借.NET运行时的稳定性、丰富的工业生态和高效GUI开发能力，成为工业上位机开发的首选；YOLO则以其单阶段检测架构、高精度和轻量化特性，适配工业目标检测需求。通过ONNX Runtime实现跨框架模型部署，C#调用YOLO模型时性能优于Python，支持毫秒级实时推
本文面向施工与工业场景的安全合规需求，基于YOLOv5–YOLOv12构建个人防具（PPE）检测系统，实现对安全帽、反光背心/工装、口罩/护目镜、手套等目标的检测与统计，支持Conf/IoU阈值调节与可视化输出（目标框、类别、置信度）。系统采用Python 3.12与PySide6实现桌面端，覆盖图片/视频/摄像头多源输入、播放控制与结果保存导出，并以SQLite提供登录注册与历史记录持久化。文中
摘要： 论文《InceptionNeXt》提出了一种新型CNN架构，通过融合Inception思想与ConvNeXt的大核卷积优势，解决了传统大核卷积内存访问成本高的问题。核心创新是Inception深度卷积，将大核分解为并行的小方核、带状核和恒等映射分支，在保持大感受野的同时显著降低计算复杂度。实验显示，InceptionNeXt-T在ImageNet-1K上比ConvNeXt-T快1.6倍且精
直击考场与线上考试的防作弊管理痛点，本文推出一款集实时预警与证据留痕于一体的智能监考桌面平台。依托PySide6，该系统流畅接入图、视、机多源视流，提供直观的进度与耗时反馈，并支持灵活的阈值调参及目标高亮复核。为满足严谨的教务追溯需求，系统内置SQLite管理免登录会话与检测档案，支持将违纪记录一键导出为CSV台账及带有检测框的PNG或AVI取证影像。核心算法全面覆盖YOLOv5至YOLOv12八
为赋能智慧仓储与物流分拣，本项目打造了一套开箱即用的快递包裹智能检测桌面工作站。系统基于PySide6流畅接入多源输入（图/视/摄像头），直观呈现检测框、置信度与处理进度。依托SQLite，平台构建了包含免登录入口的本地数据闭环，允许一键归档CSV报表及可视化影像（PNG单帧或AVI长视频）。在硬核算法层面，系统不仅深度横评了YOLOv5至YOLOv12八大模型的mAP、F1等关键指标以辅助实景部
面向纺织生产线的质检痛点，本文推出一款集“训练、评测、部署”于一体的布匹缺陷智能检测平台。该系统基于PySide6开发，无缝接入图片、视频及摄像头流，不仅能实时渲染目标框、置信度与进度条，还依托SQLite构建了兼顾免登录跳过的账户体系与数据追溯闭环。质检人员可便捷地将结果一键导出为CSV台账及带框可视化影像（PNG或AVI）。此外，底层算法全面剖析了YOLOv5至YOLOv12八大版本在mAP、
针对安防看护需求，本文实现了一款基于PySide6的跌倒检测桌面系统。该方案整合了图片、视频及摄像头多源输入，并实时反馈推理进度与耗时。依托SQLite，系统构建了支持免登录跳过的本地账户及检测记录追溯体系，允许一键导出CSV报表、单帧PNG或多帧AVI影像。在算法侧，系统横向对比了YOLOv5至YOLOv12共八代模型，支持运行态下的权重热切换，并详尽分析了mAP、F1等指标以辅助实时场景下的部
针对复杂光照与多尺度遮挡环境下的表情识别挑战，本文研发了一套基于PySide6的智能桌面分析平台。该系统全面兼容图片、视频及摄像头多源输入，实时反馈推理耗时与进度，并依托SQLite构建了包含免登录模式的本地数据追溯闭环。用户能便捷地将识别台账导出为CSV，或一键保存带框的PNG图像与AVI长视频。在算法引擎方面，系统深度适配了YOLOv5至YOLOv12八大版本模型，支持本地权重免重启热替换及界
针对森林与工业场景的早期火灾预警，本文构建了一套基于PySide6与YOLOv12的桌面级火焰智能检测系统。该软件不仅全面兼容图片、视频和本地摄像头实时推理，还提供直观的进度与耗时反馈。为保障数据可追溯，平台依托SQLite打通了包含免登录模式的账户与历史记录闭环，并允许一键归档带框检测影像（PNG/AVI格式）及CSV数据报表。在算法核心上，系统深度整合了YOLOv5至YOLOv12八代模型，支
聚焦消防与安防实战需求，本文研发了一款基于PySide6的火焰与烟雾智能预警桌面系统。平台兼容图片、视频及摄像头多源实时侦测，直观展示检测框与进度，并开放阈值微调与目标高亮功能。借助内置SQLite与灵活的免登录机制，系统实现了检测记录的本地闭环追溯，支持一键导出CSV台账及带框的PNG与AVI影像。其核心算法引擎囊括了YOLOv5至YOLOv12八代模型，支持权重的免重启热切换。文章详尽对比了m
为了满足水果分级与缺陷筛查等精细化需求，本文创新性地打造了一款基于PySide6的桌面级品质智能检测平台。该平台无缝兼容图片、视频及本地摄像头等多源输入，不仅提供直观的进度反馈，还支持灵活的阈值调参及目标高亮。在数据留存方面，系统依托SQLite构建了包含免登录模式的本地闭环追溯体系，确保检测报表（CSV）及可视化影像（PNG单帧/AVI长视频）的高效导出与归档。尤为突出的是，系统内核深度集成了Y
针对水果采摘、分拣及零售质检环节，本文实现了一款基于PySide6的桌面端新鲜度智能检测系统。该软件整合了图片、视频及摄像头多源输入，直观叠加新鲜度等级标签并提供实时进度反馈。借助内置SQLite，系统搭建了支持免登录跳过的灵活账户机制与闭环数据追溯功能。其核心工程亮点在于：支持一键导出CSV报表及可视化画面（PNG或AVI格式），且允许免重启热插拔YOLOv5至YOLOv12八大版本模型权重。结
针对城市垃圾分类难题，本文推出一款基于PySide6的桌面级智能检测系统。该软件集成图片、视频及摄像头多源输入，直观展示处理进度、耗时与带置信度的目标框。数据管理上，依托SQLite提供支持免登录跳过的会话机制，允许将检测记录导出为CSV，并一键保存带框画面（单帧PNG或多帧AVI）。算法端横向覆盖YOLOv5至YOLOv12八大版本，详尽剖析了mAP、F1等核心指标以助推实景部署选型，更实现了免
本文介绍了一款基于PySide6的常见手势智能识别桌面系统。它支持图片、视频及摄像头多源输入，可实时可视化手势类别、置信度、处理进度与耗时。系统内置SQLite数据库实现账户与识别记录的本地闭环管理（支持免登录跳过），允许一键导出CSV统计数据及带框画面（单帧PNG/多帧AVI）。此外，系统支持YOLOv5至YOLOv12共8种模型权重的本地热切换，文章详细对比了这些模型在mAP、F1等指标下的表
本文介绍了一款基于PySide6的血细胞智能检测与计数桌面系统，专为显微镜血涂片图像设计。系统支持图片、视频与摄像头输入，可实时可视化检测框与处理进度，并支持Conf/IoU在线调参。其内置SQLite数据库实现账户与检测记录的本地闭环管理（支持免登录跳过），允许一键导出CSV统计数据及带框画面（单帧PNG/多帧AVI）。此外，系统具备YOLOv5至YOLOv12共8种模型权重的本地热切换能力，文
本文介绍了一款基于PySide6的安全帽佩戴智能检测桌面系统，专为施工现场PPE监管设计。系统支持图片、视频及摄像头多源输入，可实时可视化检测框与处理进度。其内置SQLite实现账户与检测历史的本地闭环管理，支持免登录跳过，并允许一键导出CSV数据及带框画面（单帧PNG/多帧AVI）。此外，系统支持YOLOv5至YOLOv12共8种模型权重的本地热切换，文章详细对比了这些模型在mAP、F1等指标下
本文介绍了一款基于PySide6的农作物害虫智能检测桌面系统，专为复杂田间环境设计。系统支持图片、视频与摄像头多源输入，可实时可视化检测框、处理进度及耗时，并支持阈值在线调参。其内置SQLite数据库实现账户与历史记录的本地闭环管理（支持免登录跳过），检测结果可一键导出为CSV或带框画面（单帧PNG/多帧AVI）。此外，系统支持YOLOv5至YOLOv12共8种模型权重的热切换，文章详细对比了这些
本文介绍了一款基于PySide6的活体人脸防伪检测桌面系统，专为门禁核验与在线认证场景设计。系统支持图片、视频与摄像头多源输入，可实时可视化检测框与处理进度，并将账户与检测历史通过内置SQLite进行本地追溯（支持免登录跳过）。它具备完善的数据留痕能力，支持一键导出CSV统计数据及带框画面（单帧PNG/多帧AVI）。此外，系统支持YOLOv5至YOLOv12共8种模型权重的热切换，文章全面对比了这
本文介绍了一套基于PySide6的海洋动物智能检测桌面系统，专为温室与近海养殖等复杂场景设计。它支持图片、视频与摄像头输入，实时可视化类别、置信度及处理进度。系统内置SQLite实现账户与历史记录的本地追溯，检测结果可一键导出为CSV或带框画面（单帧PNG/多帧AVI）。此外，系统支持YOLOv5至YOLOv12共8种模型权重的热切换，文章详细评测了这些模型在mAP、F1等指标上的表现，为不同部署
扑克牌识别在遮挡叠放、反光与光照变化场景下对鲁棒性与实时性要求较高。本文实现一套基于深度学习的扑克牌识别桌面软件，对比评估 YOLOv5–YOLOv12 共 8 种模型在同一数据集上的检测精度与速度，并提供可复现实验流程。系统采用 PySide6 构建界面，支持图片/视频/摄像头输入，具备 Conf/IOU 调参、类别计数、结果可视化与导出等功能，并通过 SQLite 完成登录注册与历史记录管理。
植物病害识别是智慧农业的关键环节。本文梳理 YOLOv5 至 YOLOv12 的升级要点，并在同一数据集与训练配置下对 8 个 YOLO 模型进行对比评测，给出 mAP、F1、PR 曲线与混淆矩阵以辅助选型。系统以 YOLOv12n 为默认模型，支持切换权重；基于 PySide6 与 SQLite 实现桌面端检测、阈值调节、统计可视化与结果导出，配套提供完整代码与数据集流程，便于复现扩展。
本文介绍了一款基于PySide6的机械器件智能检测桌面系统。它支持图片、视频与摄像头输入，实时可视化类别、置信度及处理进度。系统内置SQLite实现账户与检测历史的本地追溯，支持结果以CSV或带框画面（PNG/AVI）一键导出；具备YOLOv5至YOLOv12共8种模型权重的热切换能力及类别自动适配。文章还详尽评测了这8种模型在mAP、F1等指标上的表现，为精度与算力的权衡提供选型依据，并附带了完
本文实现一套植物叶片病害识别系统，系统基于 YOLOv5 至 YOLOv12 系列模型进行训练与对比，并以 PySide6 构建桌面端界面，支持图片、视频与摄像头检测，提供病害框与类别置信度展示、阈值调节、类别统计、结果保存与导出等功能；同时集成 SQLite 用户注册登录与历史记录管理，保证配置与结果持久化。文章给出数据集构建与标注流程、训练配置与推理部署细节，并提供完整代码、界面工程与数据集项
本文介绍了一套用于工业巡检的金属锈蚀实时检测与管理桌面系统。系统基于PySide6开发，支持图片、视频及摄像头多源输入，实时可视化带有类别和置信度的检测结果。核心功能包括：支持单帧(PNG)/多帧(AVI)带框画面及CSV数据导出；内置SQLite数据库管理离线账户与历史记录（提供免登录模式）；支持YOLOv5至YOLOv12八种模型权重的热切换，并自动适配类别与配色。此外，文章全面评估了这8种模
开发面向智慧交通的行人车辆检测与计数系统对提升道路态势感知与管理效率具有重要意义。本文围绕 YOLOv5 至 YOLOv12 的升级脉络，给出从数据集构建、模型训练到工程部署的完整实现。系统支持图片、视频与摄像头输入，实时输出行人/车辆检测框、类别与置信度，并提供区域计数与统计汇总；界面采用 PySide6 实现模型权重切换、Conf/IOU 调节、结果可视化与导出存储。文中同时对多版本 YOLO
本文提出了一种用于Pap涂片Bethesda细胞检测的多阶段优化管道，在ISBI 2026 RIVA挑战赛中获得第二名（mAP50-95:0.5909）。针对细胞检测中标准100×100像素标注与实际形态不符的问题，创新性地调整了标注尺寸范围（10×10到120×120像素）。方法整合了YOLO和U-Net的优势：两个YOLOv8n模型分别检测不同尺度细胞，U-Net提供高精度热图回归。核心创新是
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
