登录社区云，与社区用户共同成长
邀请您加入社区
随着太阳能产业的快速发展，太阳能电池板的质量检测成为保障光伏系统高效运行的关键环节。传统人工检测方法效率低、成本高，难以满足大规模生产需求。本文基于深度学习目标检测算法YOLOv12，设计并实现了一种高效、准确的太阳能电池板缺陷识别检测系统。该系统能够自动检测六类常见缺陷，包括黑芯（black_core）、裂纹（crack）、指状缺陷（finger）、水平位移（horizontal_disloca
随着城市轨道交通客流量的不断增加，车站内的拥挤状况已成为影响乘客安全和出行体验的关键因素。为了实现对车站内客流密度的实时监控与拥挤预警，本研究提出了一种基于YOLO11目标检测模型的智能监测系统。该系统通过对车站监控视频进行实时处理，采用YOLO11模型对车站内的乘客进行精确识别与计数，并计算每个区域的客流密度。
近年来，基于深度学习的目标检测技术（如YOLO系列）在环境监测领域展现出巨大潜力。YOLOv10作为最新版本，具有更高的检测精度和实时性，非常适合应用于水藻检测场景。本项目旨在利用YOLOv10算法，结合水下图像数据，开发一套智能化的水藻检测系统，为水质管理和生态保护提供技术支持。
钢材在工业生产中应用广泛，其质量直接关系到工程结构的安全性和耐久性。钢材在制造和焊接过程中容易出现各种缺陷，如裂纹、气孔、焊渣等。传统的缺陷检测方法主要依赖人工检查或专用设备，效率低且成本高。随着计算机视觉和深度学习技术的发展，基于图像的目标检测方法逐渐成为钢材缺陷检测的研究热点。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于Y
本项目旨在开发一个基于YOLOv10的疲劳检测系统，用于实时检测驾驶员的疲劳状态。系统通过分析驾驶员的面部表情，特别是眼睛和嘴巴的状态，来判断其是否处于疲劳状态。模型共分为四类：打哈欠（Yawn）、闭眼（close）、未打哈欠（noYawn）和睁眼（open）。通过深度学习技术，系统能够快速、准确地识别这些状态，从而为驾驶员提供及时的疲劳预警，提升驾驶安全性。
近年来，基于深度学习的目标检测技术（如YOLO系列）在行为分析领域取得了显著进展。YOLOv10作为YOLO系列的最新版本，具有更高的检测速度和精度，非常适合应用于教师行为检测场景。本项目旨在利用YOLOv10算法，结合教师行为数据集，开发一套高效、准确的行为检测系统，为教学质量管理与教育研究提供技术支持。
铁轨轨道的健康状况直接关系到铁路运输的安全性和效率。传统的轨道缺陷检测方法主要依赖人工巡检或专用检测设备，效率低且成本高。随着计算机视觉和深度学习技术的发展，基于图像的目标检测方法逐渐成为轨道缺陷检测的研究热点。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于YOLOv10模型，旨在开发一个能够自动检测铁轨轨道缺陷的系统，帮助铁路
本文介绍了一套基于YOLO系列算法的PCB缺陷智能检测系统。系统支持多模态检测（图像/视频/实时画面），能准确识别漏孔、短路等常见PCB缺陷，识别精准度高达98%-100%。通过对比YOLOv5/v8/v11/v12等模型，YOLO12n在精度(mAP40.6%)和效率上表现最优。系统采用Python+PyQt5开发，提供用户管理、模型切换等功能，有效解决了传统人工检测效率低、易漏检的问题，为PC
一般来说，置信度阈值（该样本被判定为某一类的概率阈值）较低的时候，很多置信度低的样本被认为是真，召回率高，精确率低；置信度阈值较高的时候，置信度高的样本才能被认为是真，类别检测的越准确，即精准率较大（只有confidence很大，才被判断是某一类别），所以前后两头的F1分数比较少。PR曲线中的P代表的是precision（精准率），R代表的是recall（召回率），其代表的是精准率与召回率的关系，
智能驾驶识别数据集 雾天道路数据集 行车雾天道路数据集数据集 yolo格式道路数据集 极端天气数据集 有雾计算机视觉数据集
梯度大小：表示灰度值变化的 “剧烈程度”—— 梯度越大，说明此处灰度变化越明显，越可能是物体的边缘。梯度方向：表示灰度值变化的 “方向”—— 比如水平方向的梯度（左右灰度差异）对应垂直边缘，垂直方向的梯度（上下灰度差异）对应水平边缘。需要注意的是，梯度大小会受光照影响：比如同一物体，在强光下整体灰度值偏高，在弱光下整体灰度值偏低，但只要灰度值的 “变化趋势”（即梯度方向和相对大小）不变，物体的边缘
在计算机视觉领域，是让机器 “理解” 图像的关键一步。它就像给图像建立 “指纹”，让计算机能识别纹理、区分物体、完成分类。今天我们就以知识图谱为线索，结合丰富应用案例，深入聊聊图像特征提取的核心技术与落地价值。
【完整源码+数据集+部署教程】 眼部与口部开闭状态识别图像分割系统源码＆数据集分享[yolov8-seg-repvit＆yolov8-seg-C2f-RFCBAMConv等50+全套改进创新点发刊
【完整源码+数据集+部署教程】 液滴图像分割系统源码＆数据集分享[yolov8-seg-p2＆yolov8-seg-p6等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】 武器图像分割系统源码＆数据集分享[yolov8-seg＆yolov8-seg-EfficientFormerV2等50+全套改进创新点发刊_一键训练教程_Web前端
【完整源码+数据集+部署教程】 交通工具图像分割系统源码＆数据集分享[yolov8-seg-bifpn＆yolov8-seg-C2f-FocusedLinearAttention等50+全套改进创
【完整源码+数据集+部署教程】 工业缺陷图像分割系统源码＆数据集分享[yolov8-seg-vanillanet＆yolov8-seg-dyhead-DCNV3等50+全套改进创新点发刊_一键训练
【完整源码+数据集+部署教程】太阳能面板分割系统源码＆数据集分享[yolov8-seg-EfficientHead＆yolov8-seg-vanillanet等50+全套改进创新点发刊_一键训练教
【完整源码+数据集+部署教程】手指关节分割系统源码＆数据集分享[yolov8-seg-C2f-RFAConv＆yolov8-seg-fasternet-bifpn等50+全套改进创新点发刊_一键训
【完整源码+数据集+部署教程】交通标线与车辆分割系统源码＆数据集分享[yolov8-seg-C2f-Parc＆yolov8-seg-vanillanet等50+全套改进创新点发刊_一键训练教程_W
将图像中的每个像素分配到特定类别，从而实现 “像素级分类”。与图像分类（判断整张图是什么）、目标检测（用框框出目标）不同，图像分割关注 “目标的轮廓边界”，是对图像最细粒度的语义理解。
火灾检测数据集-86,617张图片 火灾识别 烟雾检测 智能监控 森林防火 边缘计算 应急响应 公共安全
【完整源码+数据集+部署教程】太阳能板表面缺陷裂缝等识别系统源码＆数据集分享[yolov8-seg-HGNetV2＆yolov8-seg-C2f-Faster等50+全套改进创新点发刊_一键训练教
【完整源码+数据集+部署教程】建筑平面图室内空间图像分割系统源码＆数据集分享[yolov8-seg-C2f-DCNV2-Dynamic＆yolov8-seg-C2f-CloAtt等50+全套改进创
【完整源码+数据集+部署教程】 书脊图像分割系统源码＆数据集分享[yolov8-seg-C2f-DAttention＆yolov8-seg-EfficientHead等50+全套改进创新点发刊_一
【完整源码+数据集+部署教程】 鸡只图像分割系统源码＆数据集分享[yolov8-seg-rtdetr＆yolov8-seg-p2等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】道路护栏图像分割系统源码＆数据集分享[yolov8-seg-aux等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】 手指姿态指纹区域图像分割系统源码＆数据集分享[yolov8-seg等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】屋顶类型分割系统源码＆数据集分享[yolov8-seg-C2f-Faster等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】水体分割系统源码＆数据集分享[yolov8-seg-LSKNet等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】水稻叶片病害图像分割系统源码＆数据集分享[yolov8-seg-EfficientFormerV2等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】 水稻病害图像分割系统源码＆数据集分享[yolov8-seg-GFPN等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】流水线管材图像分割系统源码＆数据集分享[yolov8-seg-FocalModulation等50+全套改进创新点发刊_一键训练教程_Web前端展示]
【完整源码+数据集+部署教程】 监控下车辆类型检测分割系统源码＆数据集分享[yolov8-seg-C2f-Parc等50+全套改进创新点发刊_一键训练教程_Web前端展示
野外相机动物检测数据集-1311张图片 野外相机 野生动物识别 红外成像 智能监控 边缘计算 农业防护 生态监测
本文详细介绍了YOLOv5从运行到训练的全流程实践指南。首先讲解终端运行YOLOv5的步骤，包括素材准备、检测命令执行和结果解析。其次重点说明数据标注过程，涵盖工具选择安装、标注流程详解以及XML转TXT的格式转换方法。最后指导模型训练操作，包括train.py运行和结果分析，并分享了训练过程中遇到的两个典型问题及解决方案：手动下载缺失字体文件和正确管理标注文件路径。通过step-by-step的
本文提出一种基于边缘计算的路侧摄像头与毫米波雷达融合感知方法，采用YOLOv3和DBSCAN分别处理图像与雷达数据，通过联合标定和直接更新实现时空同步，利用穆恩克雷斯算法进行目标关联，并结合卡尔曼滤波实现多目标跟踪。仿真结果表明，该方法在纵向和横向感知稳定性上优于单一传感器。
【完整源码+数据集+部署教程】气球图像分割系统： yolov8-seg-swintransformer
【完整源码+数据集+部署教程】城市交通场景分割系统： yolov8-seg-C2f-MSBlock
麻将计算机视觉模型数据集-212张图片 麻将识别 图像分类 小样本学习 边缘部署 游戏AI 智能硬件
人群检测数据集-7,300张图片 计算机视觉 目标检测 行人检测 智能安防 人流统计
YOLO系列目标检测算法发展综述 摘要：YOLO（You Only Look Once）作为实时目标检测的代表性算法，自2016年问世以来已迭代至第九代。该系列算法通过单阶段检测架构实现高速识别，在速度、精度和轻量化三个维度不断优化。从v1的奠基性工作，到v3达到工业级应用标准，再到v5实现边缘设备部署，直至最新的v9融合大语言模型提升推理能力，YOLO系列已形成完整的应用生态。不同版本针对特定场
裂缝检测数据集-4029张图片 计算机视觉 裂缝检测 基础设施监测 无损检测 工程安全
【完整源码+数据集+部署教程】遥感建筑物图像分割系统： yolov8-seg-attention
【完整源码+数据集+部署教程】树枝图像分割系统： yolov8-seg-LAWDS
行人车辆计数系统：Python基于YOLOv8与ByteTrack的多目标检测 PyQt6可视化 深度学习毕业设计（建议收藏）✅
本文介绍了毫米波雷达后端信号处理算法的全流程。首先阐述了雷达数据立方体的构建方法，包括快时间、慢时间和深度三维结构。随后详细讲解了信号处理流程，涵盖信号预处理、距离-多普勒处理、CFAR目标检测、角度估计、点云聚类和目标跟踪等关键环节。文章还探讨了微多普勒特征在目标识别中的应用，以及感知算法在目标分类和跟踪中的作用。最后，重点分析了深度学习算法在毫米波雷达信号处理中的创新应用，包括目标检测、点云处
基于 YOLO+SORT 的 Python 车辆行人检测与跟踪系统 python车辆行人检测与跟踪系统 YOLO模型 SORT算法 PyQt5界面 目标检测+目标跟踪 深度学习 计算机毕业设计✅
通过这条曲线，可以评估模型在目标检测任务中的整体性能，并找到合适的置信度阈值，以在精确率和召回率之间做出最佳平衡。），它展示了不同置信度下的召回率。含义：在IoU阈值从0.5到0.95范围内的平均精度（B类），评估模型在不同IoU阈值下的检测性能。条曲线都显示了随着召回率的增加，精确度略有下降的趋势，但整体上精确度保持在很高的水平。通过这条曲线，可以选择合适的置信度阈值，以优化模型的检测结果，平衡
目标跟踪
——目标跟踪
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
腾讯云开发者社区
