登录社区云，与社区用户共同成长
邀请您加入社区
2.1 多传感器数据关联时的数据准备2.1.1.预处理一、 点迹过滤：基本依据是运动目标和固定目标跨周期的相关特性不同。**（1）保留雷达扫描5周期的信息，包括各个障碍物的坐标信息；（2）新点迹与之前5圈的点迹按由老到新的次序进行逐个对比；（3）根据目标运动速度等因素设置两个窗口，一个大窗口，一个小窗口。设置6个标志位p1~p6和GF；（4）新来的点迹与第一圈的点迹比较，比较结果第一圈点迹中至少有
该数据集专注于办公桌面与日常书写场景中的笔类目标检测任务，名称中明确指出其应用场景。从类别推测，数据集中可能包含“笔”和“其他物品”两类对象，或者更具体地涵盖不同类型的笔（如钢笔、圆珠笔、铅笔等），也可能将“笔”与其他常见办公用品进行区分。此数据集适用于需要识别和定位笔类物体的智能办公系统、自动化文档处理、桌面机器人导航等实际应用，尤其适合用于开发能够理解办公环境并执行相关操作的视觉系统。数据集共
<think>我们根据要求生成不超过150字的摘要。内容应概括YOLO标准数据集格式要点：目录结构、标注格式、类别文件、配置文件及注意事项。控制字数。</think>YOLO标准数据集采用images与labels对应目录，标注文件为纯文本，每行记录类别ID及归一化后的中心坐标和宽高，类别编号从0对应classes.txt，配置由data.yaml指定路径与类别。注意坐标须
课程第九讲，Jetson上Ultralytics YOLO模型实战，从概念到实时检测，包括YOLO原理、Ultralytics框架、推理流程、实战代码、参数调节，以及连接第八讲视频流。摘要简洁。</think>本课程第九讲介绍在Jetson上使用Ultralytics YOLO模型实现实时目标检测。内容涵盖AI模型原理、YOLO与Ultralytics关系、推理流程、核心代码及参数调整
摘要应涵盖主要信息：ICLR 2026于里约热内卢举行，汇总了目标检测相关论文约21篇，涉及DETR/实时检测、开放词汇、3D/BEV等方向。需要简洁。忽略格式。输出中文。</think>ICLR 2026于4月23-27日在巴西里约热内卢举行，主会接收目标检测相关论文约21篇，涵盖DETR/实时检测器、开放词汇、源域无关与增量学习、3D/多模态BEV、弱监督旋转框及低光/显著性检测等方向，并区分
YOLO工业金属表面缺陷目标检测数据集聚焦于工业制造领域中金属材料的表面质量检测，旨在为自动化检测系统提供高质量的标注数据支持。该数据集适用于钢铁、铝材、铜材等金属制品的生产线，可广泛应用于裂纹、锈蚀、划痕、孔洞、凹陷和氧化等常见缺陷的识别任务。在实际工业场景中，此类数据集能够有效提升产品质量控制效率，减少人工检测成本，是实现智能制造和工业4.0的重要基础资源。数据集包含共计4317张高质量图像，
垃圾物品目标检测数据集 | 垃圾分类 回收检测 城市环卫 目标检测9012期
本数据集含5700张考场监控图像，精准标注3类作弊行为（俯身抄袭、传递答案、使用手机），采用YOLO格式，覆盖多姿态、多角度及复杂光照场景，专为训练高鲁棒性AI监考模型设计。
YOLO股票价格走势目标检测数据集是一个结合金融领域与计算机视觉技术的创新性数据集，其名称暗示了该数据集可能用于识别和分析股票价格图表中的关键特征。从类别名称推测，该数据集可能涵盖股票价格走势图中常见的元素，如上升趋势、下降趋势、震荡盘整以及关键支撑/阻力位等。此类数据集可广泛应用于金融可视化分析、智能交易辅助系统及自动化图表解读工具中，为基于图像的金融信息处理提供基础支持。数据集包含6671张图
传统客流统计通常只输出进店人数和出店人数，但零售场景中的原始人员轨迹并不能直接作为消费者数据使用。员工、配送人员、重复进出等目标会造成统计噪声。本文从数据处理链路出发，拆解有效客流的计算过程，包括目标检测、轨迹关联、员工识别、重复目标过滤、事件生成、数据聚合，以及最终的转化率计算。
YOLO乒乓球比赛落点轨迹目标检测数据集是一个专注于乒乓球运动场景的专用数据集，旨在支持对乒乓球比赛中球体落点轨迹的识别与分析。从名称和类别推测，该数据集可能用于体育赛事视频分析、运动员动作研究或智能裁判系统开发等实际场景。其核心目标是通过目标检测技术精准定位乒乓球在比赛中的落点位置，从而为后续的轨迹追踪、比赛策略分析提供数据基础。此类数据集在体育智能化和自动化评估领域具有较高的应用潜力。
本文介绍了面向可见光-红外目标检测的轻量级跨模态融合模块 HAFFormer，源于 LCAFNet 中的双向模态引导交叉注意力与门控融合思想。该模块分别利用可见光和红外特征生成交叉注意力增强表示，在保留原始模态信息的同时充分挖掘纹理细节、热目标响应与边缘结构等互补信息，并通过门控权重自适应分配两种模态贡献。我们将 HAFFormer 成功集成进 YOLO11 的 Neck 特征融合阶段，替代原有拼
1]郭亚楠,黄德启,倪自聪,等.多尺度特征增强与动态采样的轻量化目标检测[J/OL].哈尔滨工业大学学报,1-20[2026-08-17].https://link.cnki.net/urlid/23.1235.T.20260618.1013.004.
本项目基于 YOLOv11 与 DOTA v1.0 数据集，实现遥感/航拍图像中的多类别目标检测，并提供完整的训练流程与可视化检测系统
本文深入解析了YOLO目标检测算法中特征流动的过程，从输入图像到多尺度特征提取的关键步骤。主要内容包括： YOLO整体流程：输入图像→Backbone特征提取→Neck特征融合→Head预测→NMS处理→最终检测结果 特征图表示：H×W×C（高度×宽度×通道数），其中通道数表示网络提取的不同抽象特征 特征变化机制： 空间尺寸减小：通过卷积步长(stride)实现下采样 通道数增加：由卷积核数量决定
该数据集名为“YOLO[室内与室外多场景混凝土块目标检测]目标检测数据集”，从名称可推断其主要用于检测混凝土块这一特定对象，适用于建筑、工程和基础设施监测等场景。由于涵盖室内与室外多场景，表明该数据集旨在支持在不同光照、背景和环境条件下对混凝土块进行稳定检测，具备较强的泛化能力。此类数据集常用于智能监控、自动化巡检及施工安全管理等领域，为基于视觉的检测系统提供训练与验证基础。数据集包含652张图片
本数据集含15,000张农场实景图像，涵盖奶牛、马、猪、绵羊及“未定义目标”共5类，采用YOLO标准标注，适配YOLOv8等主流模型。专为解决畜牧场景中密集遮挡、多姿态、光照多变等挑战设计，支持智慧养殖中的自动计数、健康监测与异常预警。
训练集占比88.3%，验证集占比8.4%，测试集占比3.3%，这种分布比例合理，能够有效支持模型的训练、调优和性能评估，确保模型在不同场景下的泛化能力。数据集涵盖多种室内场景，包括卧室、客厅、办公室等，全面覆盖了日常生活中可能发生的吸烟行为，具有重要的社会价值和应用前景。特别是在需要识别和记录室内吸烟行为的场景中，如酒店房间、办公室、家庭环境等，该数据集能够为相关系统提供可靠的技术支持，助力实现智
YOLOv11室内包裹与纸箱目标检测数据集摘要 该数据集专为室内包裹与纸箱检测任务构建，包含4个类别：纸箱、破损纸箱、打开的包裹和完整包裹。数据集总量1200张图像，分为训练集(840)、验证集(240)和测试集(120)。所有图像均经过专业标注，提供YOLO格式标注文件和标准data.yaml配置文件。数据集适用于物流仓储、快递分拣等场景的自动化识别需求，支持YOLOv11模型的训练与验证。训练
本文介绍了使用X-AnyLabeling工具进行图像数据标注的完整流程。内容涵盖：1）手动标注操作，包括快捷键使用、类别文件准备和YOLO/VOC格式导出；2）AI自动标注方法，通过预训练模型实现快速标注；3）常见问题与建议，如类别顺序核对、数据划分比例等。该工具结合人工标注的精确性和AI标注的高效性，能显著提升目标检测数据集的构建效率，特别适合暹罗猫等特定对象的检测任务。
【代码】YOLO系列目标检测数据集大全【第四十一期】
NMS作为目标检测中不可或缺的后处理步骤，其重要性不言而喻。虽然传统NMS存在一些局限性，但通过理解其原理并根据具体任务进行调优，仍能获得良好效果。随着研究的深入，各种改进的NMS方法不断涌现，为不同场景提供了更优的选择。阈值选择是关键：IOU阈值需要在漏检和多检间找到平衡场景适应性：不同检测任务需要不同的NMS策略性能与精度权衡：在实时应用中需考虑计算效率持续演进：从传统NMS到Soft-NMS
该数据集聚焦三大主粮作物，提供的高质量标注图像，共，适配实例分割任务，为智慧农业病虫害智能识别与监测提供核心数据支撑。
【完整源码+数据集+部署教程】道路坑洞图像分割系统源码＆数据集分享 [yolov8-seg-C2f-DySnakeConv＆yolov8-seg等50+全套改进创新点发刊_一键训练教程_Web前端展
【完整源码+数据集+部署教程】生产线瓶子缺陷图像分割系统源码＆数据集分享 [yolov8-seg-C2f-ContextGuided＆yolov8-seg-C2f-EMSCP等50+全套改进创新点发
本文详细介绍了如何从零搭建基于YOLOv5和DeepSORT的智能目标检测与跟踪系统，包括环境配置、代码结构解析、性能优化技巧及实际应用案例。通过结合YOLOv5的高效目标检测和DeepSORT的稳定跟踪能力，该系统在智能监控和运动分析等场景中表现出色，并附有完整代码和优化建议。
【完整源码+数据集+部署教程】动物检测与分类系统源码 [一条龙教学YOLOV8标注好的数据集一键训练_70+全套改进创新点发刊_Web前端展示]
各位CVer同仁，大家好！面向农作物病虫害目标检测这一垂直赛道，《臻享数据集》合集始终以高标准、高要求深耕数据建设，致力于沉淀多维度标注、广作物品类覆盖、高精度病灶校验的优质数据资源，全面囊括大田作物、设施果蔬、经济林木等多场景下的常见病虫害类型与典型发病特征。不同农作物病虫害目标检测数据集的核心区别，在于作物与病害适配性——比如大田作物数据集侧重小麦条锈病、玉米螟等常见病虫害标注，设施果蔬数据集
在涵盖九个数据集的三个不同分割任务上的广泛实验表明，TTGA不仅显著提高了分割准确性（相对于基线DSC增益0.1%-2.3%），还能提供像素级错误估计（相对于基线DSC增益1.1%-29.0%），提升了模型在复杂医学场景中的鲁棒性和可靠性。为解决这些限制，本研究引入了测试时生成增强（TTGA），一种利用领域微调生成模型在推理时生成多样化、上下文相关增强的新策略，旨在提升分割精度和不确定性估计，其核
YOLO模型的优化没有“万能公式”，关键是根据场景需求找到“速度-精度-资源”的平衡点：实时场景（如自动驾驶）：优先用TensorRT加速、INT8量化、320×320分辨率；低功耗设备（如Jetson Nano）：选YOLOv11n、模型剪枝或MobileNetV3 backbone；高精度需求（如医疗影像）：用640×640分辨率、知识蒸馏，适当牺牲速度。随着YOLO版本的持续迭代和优化技术的
单源域泛化目标检测(SDGOD)作为计算机视觉领域的前沿研究课题，旨在通过单源域训练增强模型在未见目标域中的泛化能力。当前主流方法试图通过数据增强技术来减轻域差异。然而，由于域偏移和有限的域特定知识，模型往往陷入虚假相关性的陷阱。这表现为模型过度依赖简单的分类特征（如颜色），而非像物体轮廓这样的基本域不变表示。为应对这一关键挑战，我们提出了Cauvis（因果视觉提示）方法。首先，我们引入了交叉注意
文章：Enhancing Vision Transformers for Object Detection via Context-Aware Token Selection and Packing。效果： ✔ Token 数减少 → 推理更快 ✔ 上下文更清晰 → 检测更准确 ✔ 可接入任意 ViT Backbone（Swin / DeiT / ViT-B）Vision Transformers
该航拍交通目标检测数据集包含9809张图片，提供VOC和YOLO两种格式，含JPEGImages、Annotations、labels三个文件夹。数据集涵盖10类交通目标，包括公交车、轿车、货车等，总标注框数达152924个。图片经过增强处理，分辨率清晰，标注采用矩形框形式。特别说明：数据集仅保证标注准确性，不承诺模型训练效果。
【完整源码+数据集+部署教程】【零售和消费品＆厨房】厨房食材检测图像分割系统源码＆数据集全套：改进yolo11-goldyolo
【完整源码+数据集+部署教程】腐蚀图像分割系统源码＆数据集分享[yolov8-seg-C2f-DySnakeConv＆yolov8-seg-LSKNet等50+全套改进创新点发刊_一键训练教程_W
目标检测的本质是 “在复杂场景中，精准、高效地找到并识别目标”，其技术发展始终围绕 “提升精度” 和 “加快速度” 两大目标。从数据集标注到模型评估，从传统滑动窗口到深度学习的单 / 双阶段架构，每一步创新都在解决实际场景中的痛点。未来，目标检测将进一步向 “更通用（适应复杂场景）、更高效（实时检测）、更轻量化（部署到边缘设备）” 方向发展，结合 Transformer、多模态融合等新技术，在更多
【完整源码+数据集+部署教程】 日常物品图像分割系统源码＆数据集分享[yolov8-seg-C2f-ContextGuided等50+全套改进创新点发刊_一键训练教程_Web前端展示]
ConDSeg是一种新型医学图像分割框架，通过对比驱动特征增强技术提升分割性能。其核心创新包括：1）两阶段一致性强化训练策略，增强模型在弱光等恶劣条件下的鲁棒性；2）语义信息解耦模块，将特征分解为前景、背景和不确定区域；3）对比驱动特征聚合模块，利用解耦信息指导特征融合；4）尺寸感知解码器解决医学图像中的共生现象问题。实验表明，该方法在多个公开数据集上达到最优性能。该框架适用于内窥镜、皮肤镜等多种
视频分析，视频监控
然后启动训练，加载 YOLOv11 预训练模型，设置数据、轮次等参数，时间依设备而定，过程会生成训练曲线等。最后 1 分钟实现实时检测，加载训练好的模型，可检测单张图片或调用摄像头实时显示。但优质的标注数据集是模型训练的核心基础，为此，整理的。无论是计算机视觉研究者、体育科技开发者，还是板球爱好者，都能借助该数据集快速搭建专属的板球检测模型，推动板球运动的智能化升级！在使用该数据集进行学术研究时，
YOLO不仅能做目标检测，还能生成热力图！本教程介绍了如何利用Ultralytics的YOLO框架实现视频和图像的热力图展示。通过颜色映射技术，热力图可以直观显示目标分布和运动趋势。文章详细讲解了实现步骤，包括环境准备、视频处理和图像处理的完整代码示例。使用预训练模型yolo12n.pt，可以轻松生成热力图，适用于人群跟踪、车辆监测等场景。教程还提供了关键代码修改建议，帮助开发者快速上手这一实用功
是一个，用于表示一个由多个高斯分布（正态分布）组成的数据集合。用于表示一个由多个高斯分布（正态分布）组成的数据集合是由多个高斯分布函数组成的线性组合。理论上，可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多个不同分布的情况。下面给出一个基于GMM的视频运动目标检测实例。二、程序代码clear all;close all;clc;%显示提示信息%读取视频文件get(video)%获取视频
该数据集包含13401张动物图片，涵盖8种动物类别（猫、牛、鸡、狗等），提供VOC和YOLO两种格式。每张图片配有对应的XML和TXT标注文件，总标注框数达36177个。图片经过增强处理，分辨率清晰，采用矩形框标注。数据集中各类动物标注数量差异较大，其中牛、象、羊等标注较多。特别说明：本数据集仅保证标注准确性，不承诺模型训练效果。
定义：在计算机视觉领域，图像分割（Object Segmentation）指的是将数字图像细分为多个图像子区域（像素集合）的过程，并且同一个子区域内的特征具有一定相似性，不同子区域的特征呈现较为明显的差异图像分割的目标就是为 图像中的每个像素分类，应用领域广泛深度学习使得图像分割的准确率提高了很多。
数据探索阶段流程：读取 → 匹配 → 可视化数据准备阶段流程：读取 → 复制整理 → 保存重组 → 张量转换 → 可视化 → 导出结果↓ ↓ ↓ ↓ ↓(备份) (标准化) (深度学习) (验证) (持久化)
本周学习了红外小目标检测第一篇论文(WACV2020) Asymmetric Contextual Modulation for Infrared Small Target Detection。对论文中提出的ACM模块进行了学习。下周计划：继续学习红外的其它论文。：此路径负责将深层特征的全局语义信息传递给浅层特征，实际上就是一个SENet。先对输入的深层特征图应用全局平均池化，将其压缩成一个特征向
在MATLAB中绘制接收者操作特征（ROC）曲线是评估分类器性能的常用方法，特别是在小目标检测任务中。ROC曲线展示了在不同阈值下，分类器的真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）之间的关系。MATLAB代码用于计算和绘制ROC曲线。
在大模型时代，多模态目标检测领域正迎来新的发展机遇与挑战。但由于全量微调成本过高，使得高效迁移学习与特征融合在多模态目标检测中的重要性愈发凸显。当前，相关研究正围绕模型高效迁移与参数更新、任务驱动动态融合、统一知识迁移框架、鲁棒迁移与领域泛化等方向展开创新。本文整理了多篇相关论文，旨在帮助读者了解前沿动态，掌握研究思路，助力大家在该领域取得突破。
相位中心偏置天线（DPCA）的SAR动目标检测方法通过多通道信号差分抑制杂波，是强杂波背景下低速目标检测的有效手段。
开集目标检测研究取得新进展，通过语义聚类、类解耦等技术显著提升模型对已知/未知类别的区分能力。
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
天工造物局
DAMO开发者矩阵
