登录社区云，与社区用户共同成长
邀请您加入社区
python无人机目标识别+目标跟踪检测系统（OpenCV+YOLO实现）计算机毕业设计（包含文档+源码+部署教程）目标识别+目标跟踪。
我们设计了UAV-DETR，一个专门设计用于无人机图像的实时端到端物体检测器。通过引入MSFF-FE模块、FD模块和SAC模块，UAV-DETR有助于缓解在航空图像中检测小物体和遮挡物体的困难。在VisDrone和UAVVaste数据集上的实验结果表明，我们的方法在保持实时推理速度的同时，比现有方法在类似计算成本下实现更高的准确性。未来的工作将侧重于提高其对噪声的鲁棒性。对更多实验结果和文章细节感
AI辅助文献阅读工具测评：5款主流工具对比与选型建议 本文针对科研人员面临的文献阅读痛点，实测了5款主流AI工具在文献处理中的表现。通过设定统一测评标准（包括PDF兼容性、摘要质量、问答能力等维度），对ChatDOC、SciSpace、KimiChat、Elicit及本地开源方案进行了客观评估。测试发现：KimiChat适合日常快速阅读，SciSpace+Elicit组合适合科研写作，本地方案则满
火源检测数据集-9,128张图片 火源识别 智能安防 工业安全 实时监控 边缘计算 消防安全 多模态融合
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
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
随着工业智能化与安全生产要求的不断提升，粉尘检测逐渐成为环境监测与安全防护领域的重要研究方向。在矿山、工厂、建筑工地等高粉尘场景中，粉尘浓度过高不仅影响生产效率，更会对人体健康和设备安全造成严重威胁。
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。
🏆 本文收录于 《YOLOv8实战：从入门到深度优化》，该专栏持续复现网络上各种热门内容(全网YOLO改进最全最新的专栏，质量分97分+，全网顶流)，改进内容支持(分类、检测、分割、追踪、关键点、OBB检测)。且专栏会随订阅人数上升而涨价(毕竟不断更新)，当前性价比极高，有一定的参考&学习价值，部分内容会基于现有的国内外顶尖人工智能AIGC等AI大模型技术总结改进而来，嘎嘎硬核。 ✨ 特惠福利
本文介绍了基于YOLO的多模态智能感知系统的设计与实现。系统通过YOLOv8模型实现高效目标检测，并采用多模态数据融合、行为分析和时空预测等技术提升检测性能。文章详细解析了YOLOv8架构，包括CSPDarknet骨干网络、PANet特征融合和解耦检测头设计；探讨了数据级、特征级和决策级三种多模态融合方法；设计了行为分析模块，涵盖个体/群体行为识别、交互分析和异常检测；实现了时空分析与预测功能。该
Yolo系列所需的pytorch环境搭建以及cuda+cudnn环境搭建，Yolov11环境搭建及简单测试。
本文介绍了YOLOv8n（nano版本）目标检测算法的完整实现流程，包括环境配置、数据集准备、模型训练和推理部署。内容涵盖：1）Python环境搭建和依赖库安装；2）数据集格式要求及配置文件创建；3）模型训练参数设置和代码实现；4）图像/视频推理程序编写；5）训练结果分析与可视化。文中提供了详细的代码示例和命令行参数说明，支持从预训练模型微调或从头开始训练，适用于不同硬件环境（GPU/CPU）。该
本文提供YOLOv11目标检测模型的全面实战指南，详细解析其架构创新点与性能优势（相比YOLOv10提速15-20%）。内容涵盖：1）不同规格模型参数对比（YOLOv11n至YOLOv11x），帮助选择最适合应用场景的模型；2）专业级环境配置指南，包括CUDA版本匹配与依赖安装；3）数据集准备规范与标注流程；4）训练参数深度解析。教程同时提供预训练模型获取方式与环境验证代码，适用于从移动端到科研级
YOLOv11是2024年推出的新一代目标检测模型，在速度、精度和任务支持方面均有显著提升。本文提供YOLOv11的详细实战教程，包括环境配置、数据集准备、模型训练与验证等全流程指南。文章对比了不同规格模型的特点与适用场景，并分享了命令行和代码两种训练方式。还包含高级优化建议，如模型选择策略、置信度调整和数据增强技巧，帮助用户在不同应用场景下实现最佳性能。附带源码下载链接和配置说明，适合从零开始掌
yolov8+deepsort（yolo目标检测+自适应卡尔曼滤波追踪+毕业设计代码）
军事目标检测数据集-16233张图片 军事识别 无人机侦察 战场感知 智能安防 智能安防
现有数据集多聚焦单一模态（可见光或红外成像），且目标尺寸偏大、场景单一，难以满足实际需求，针对可见光-红外双模态（Visible-Thermal, RGBT）小目标检测的研究却鲜有突破。在无人机监控、自动驾驶、夜间搜救等场景中，小目标检测（如远处行人、微型无人机）一直是技术难点——目标尺寸小、背景干扰多、光照条件复杂。115组对齐序列、9.3万帧图像、120万标注，覆盖7类目标（如船舶、汽车、行人
随着人口老龄化进程的加速，摔倒事故逐渐成为威胁老年人健康和安全的主要问题之一。研究表明，摔倒不仅可能导致老年人骨折、头部受伤等严重的身体损伤，还可能引发心理恐惧和行动能力下降，从而降低其生活质量和独立性。如何快速、准确地检测摔倒事件并采取及时的应对措施，是当前智能监护领域的重要研究方向之一。为了解决这一问题，本文设计并实现了一种基于YOLOv8深度学习的人体姿态摔倒识别与语音报警系统。
开放世界目标检测旨在识别未见过类别的目标，并在提供注释后逐步识别这些目标。与传统的只限于预定义类别的范式不同，这种设置承诺通过使用与类别无关的信息来持续且通用地估计目标性。然而，实现目标性和类别信息之间的这种去相关化证明是具有挑战性的。在没有明确考虑的情况下，现有方法通常对未知目标的召回率较低，并且可能将它们误分类为已知类别。为了解决这个问题，我们在检测过程中利用了三个层次的正交性：首先，通过在设
本文系统介绍了机器视觉技术的核心组成与应用。主要内容包括：1）机器视觉系统构成（光源、相机、镜头、通讯）及其在识别、测量、定位、检测方面的工业应用；2）光源系统的分类、选型原则及打光技术；3）工业相机的类型、关键参数及选型要点；4）镜头的分类、技术参数和选型方法；5）通讯系统的组成及常见工业协议。全文通过技术原理与实用参数的详细解析，为机器视觉系统的设计与应用提供了全面的技术指导，展现了该技术在工
将UAVDT数据集转换成yolo格式。
YOLO26通过“无DFL+无NMS”的架构精简、MuSGD驱动的训练革新与全链路边缘优化，成功打破了实时目标检测“架构复杂度与边缘适配不可兼得”的壁垒，构建了首个以边缘场景为核心的极简端到端框架。其在CPU性能、部署兼容性与小目标检测上的突破，使其成为物联网、智能摄像头、移动设备等边缘场景的首选模型，重新定义了边缘视觉AI的部署标准。尽管在极端高精度场景仍有优化空间，但YOLO26的“极简适配”
博主一直一来做的都是基于的目标检测领域，相较于基于卷积的目标检测方法，如YOLO等，其检测速度一直为人诟病。终于，RT-DETR横空出世，在取得高精度的同时，检测速度也大幅提升。那么RT-DETR是如何做到的呢？在研究RT-DETR的改进前，我们先来了解下DETR类目标检测方法的发展历程吧DETRNMSDAB-DETRDETR100DETRDAB-DETRH-DETR然而，上述方法尽管已经大幅提升
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
匈牙利算法是一种用于解决分配问题的有效算法。在DeepSORT算法中，匈牙利算法被用于解决数据关联问题，即如何将当前帧中检测到的目标（detections）与上一帧中跟踪的目标（tracks）进行匹配。DeepSORT通过计算检测框和跟踪框之间的相似度，构建一个代价矩阵，然后利用匈牙利算法找到最小化代价的匹配方案。初始化：当视频的第一帧被检测时，每个检测到的目标初始化一个跟踪轨迹。匹配。
专为边缘设备打造的视觉AI模型，突破端到端检测瓶颈
论文证明了像DINOv3这样的前沿基础模型可以通过精巧的设计，在不牺牲速度的前提下赋能实时视觉任务，为相关研究提供了新范式。
本文系统介绍了YOLOv11目标检测算法的原理及实战应用。首先概述了YOLO系列的发展历程，重点阐述了YOLOv11在网络架构、特征提取和检测机制方面的创新。随后详细讲解了项目环境搭建、数据集准备和模型训练等实战步骤，包括硬件需求、软件安装、数据标注与格式转换等关键环节。文章还提供了模型优化策略，如参数调整、骨干网络替换和数据增强等改进方法。最后探讨了YOLOv11在安防监控、自动驾驶和工业检测等
AOI在人形机器人制造领域的应用
本文全面解析目标检测评估指标，重点介绍AP及其变体的含义与应用。AP是COCO主指标，综合评估模型在10个IoU阈值下的平均精度；AP50反映目标发现能力，AP75衡量定位精度；APs/APm/APl则分别评估不同尺度目标的检测效果。这些指标共同构成完整的评价体系，科研中需综合分析各指标，AP反映整体性能，AP50/AP75体现定位差异，APs/APm/APl揭示尺度适应性。优化时需针对性改进：A
COCO（Common Objects in Context）是微软于2014年首次发布的一个用于计算机视觉研究的大规模数据集。该数据集由微软研究院、加州理工学院和康奈尔大学等机构共同开发维护。其最新版本（2023年更新）包含超过33万张高质量图像（其中20万张带有精细标注），标注了80个常见物体类别（如人、车、动物、家具等），总计150万个物体实例。
是大连理工大学的团队公开的数据集（DUT是他们学校的简称），其中包括了（也就是说，目标检测和目标跟踪都可以用这个数据集）。该数据集为，博主之前介绍的数据集中，Anti-UAV410和Anti-UAV600都是红外模式的数据集，Anti-UAV是双模数据集。
在YOLO等目标检测模型中，对图片进行打标的核心目的是为监督学习提供训练数据，通过标注目标物体的边界框和类别标签，使模型能够学习识别和定位目标的规律。打标数据为模型训练提供监督信号，通过对比预测结果与真实标注值，计算定位损失、分类损失和置信度损失，驱动模型参数优化；同时，标注数据也是评估模型性能（如mAP、精度、召回率）的基础，确保模型在多样场景（如多尺度目标、遮挡、复杂背景）中具备泛化能力。此外
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
曙光工业编程平台sugonri
2048 AI社区
北京朝阳AI社区
魔乐社区
