本报告基于YOLO26目标检测算法构建的手语字母识别系统，旨在通过计算机视觉技术实现26个英文字母（A-Z）的实时检测与识别。系统采用YOLO26架构，在包含720张标注图像的数据集上进行训练、验证和测试。实验结果表明，模型在宽松IoU标准下表现优异，mAP50达到1.00，F1-score高达0.99，召回率保持1.00直至高置信度阈值。训练过程中损失函数平稳下降，未见明显过拟合现象。本系统在宽

随着摩托车、电动车等两轮交通工具的普及，骑手交通安全问题日益受到关注。其中，头盔的正确佩戴是保障骑手生命安全的关键因素。然而，传统的人工巡检方式效率低下，难以实现全天候、大规模的监管。为此，本文基于YOLO目标检测算法，设计并实现了一种骑手佩戴头盔识别检测系统。该系统能够同时检测骑手、头盔及车牌三类目标，为交通管理部门提供智能化监管手段。系统采用YOLO26作为基础框架，使用1563张图像进行训练

道路坑洼检测是智能交通系统和道路养护管理中的关键任务。本研究基于YOLO26目标检测算法，构建了一个针对道路坑洼的单类别检测系统。实验采用1265张图像进行训练，401张图像进行验证，118张图像进行测试。模型在验证集上的平均精度(mAP50)达到68.6%，精度为76.2%，召回率为61.5%。混淆矩阵分析显示，模型对坑洼的识别准确率为63%。训练过程稳定，损失函数持续下降，无明显过拟合现象。

玉米是我国重要的粮食作物，苗期杂草竞争严重影响其产量与品质。本研究基于YOLO26目标检测算法，构建了一套针对玉米幼苗与杂草的智能识别检测系统。系统采用YOLO26模型，对两个关键类别——玉米幼苗（cron）和杂草（weed）进行训练与验证。数据集包含2661张训练图像、254张验证图像和127张测试图像。

随着智能交通系统和自动驾驶技术的快速发展，道路交通信号标志的准确识别已成为保障行车安全的关键技术之一。本文基于YOLO26目标检测算法，构建了一个面向21类道路交通信号标志的识别检测系统。该系统采用1376张图像作为训练集，488张作为验证集，229张作为测试集，涵盖禁令标志、指示标志、警告标志、交通信号灯等多种类别。实验结果表明，模型在验证集上取得了0.961的mAP50和0.826的mAP50

香蕉成熟度识别在农业生产、采后处理及零售环节中具有重要意义。传统的人工识别方法主观性强、效率低下，难以满足大规模精准化管理的需求。本研究基于YOLO26目标检测算法，构建了一套香蕉成熟度智能识别检测系统，能够自动识别六类香蕉成熟状态：新鲜成熟（freshripe）、新鲜未熟（freshunripe）、过熟（overripe）、成熟（ripe）、腐烂（rotten）和未熟（unripe）。系统训练共

本研究基于YOLO26目标检测算法，构建了一套自动化红细胞检测系统，用于血液细胞图像中血小板（Platelets）、红细胞（RBC）和白细胞（WBC）的识别与定位。实验共使用874张标注血液细胞图像，其中训练集765张、验证集73张、测试集36张，涵盖三类细胞共计超过900个实例。模型在验证集上取得了mAP50为0.931、mAP50-95为0.662的检测性能，其中白细胞检测效果最佳（mAP50

本文介绍了一个基于YOLO26的目标检测系统，专门用于条形码检测。系统采用YOLO26架构，在包含301张训练图像和28张验证图像的数据集上进行训练，数据集仅包含一个类别（bar_code）。实验结果表明，模型在验证集上达到了0.998的精确率、1.000的召回率、0.995的mAP@0.5和0.827的mAP@0.5:0.95的优异性能。混淆矩阵分析显示模型实现了零误检和零漏检的完美检测结果。

无人机识别检测系统在低空安防、空域管理和公共安全等领域具有重要应用价值。本研究基于YOLO26目标检测算法，构建了一套针对无人机目标的自动识别检测系统。系统使用包含1个类别（drone）的数据集进行训练，其中训练集1012张图像，验证集347张图像。实验结果表明，该模型在验证集上取得了95.1%的mAP50，精确率达到95.5%，召回率为88.6%，最佳F1分数为0.92。模型推理速度为1.7ms

植物病害是影响全球农业生产的主要因素之一，及时准确的病害检测对于保障作物产量和品质至关重要。本研究基于YOLO26目标检测算法，构建了一个面向30类植物叶部病害的智能检测系统。数据集包含2009张训练图像和246张验证图像，涵盖苹果、番茄、葡萄、玉米、马铃薯、草莓等多种经济作物的健康与病害叶片。关键词：YOLO26；植物病害检测；目标检测；深度学习；农业智能化本研究使用的植物叶片数据集包含30个类