本项目基于YOLOv8目标检测算法开发了一套高效的手语识别系统，专门用于识别美国手语字母表(A-Z)中的26个字母手势。系统采用深度学习技术，通过504张训练图像、144张验证图像和72张测试图像构建的数据集进行模型训练与优化。该系统能够实时检测和分类手语手势，将视觉手势转化为对应的字母输出，为手语使用者与非手语使用者之间搭建沟通桥梁。实验结果表明，该系统在测试集上达到了较高的识别准确率，展现了Y

本研究构建了一套基于深度学习YOLOv11的棉花叶片病害检测系统，旨在实现棉花病害的快速、准确识别与分类。系统针对六类目标病害（blight、curl、grey mildew、healthy、leaf spot、wilt）进行检测，利用包含3708张训练集、232张验证集及233张测试集的高质量YOLO格式数据集进行模型训练与评估。在算法层面，采用YOLOv11模型以兼顾检测精度与推理速度，并在数

本文提出了一种基于YOLOv12深度学习模型的扑克牌识别检测系统，能够高效准确地识别52种常见扑克牌（包括数字牌和花牌）。系统采用YOLOv12目标检测算法，结合自定义标注的YOLO格式数据集（包含训练集21,203张、验证集2,020张、测试集1,010张），实现了对扑克牌类别（如10C、AD、QH等）的实时检测。此外，系统集成了用户友好的UI界面，支持登录注册功能。实验表明，该系统在复杂背景下

本文基于YOLOv11深度学习框架，开发了一套苹果成熟度识别检测系统，能够高效准确地识别苹果的成熟度等级（20%成熟、50%成熟、75%成熟、100%成熟）及腐烂状态。系统采用的YOLO格式数据集，包含训练集（2144张）、验证集（359张）和测试集（225张），共5类目标（'20-_ripeness', '50-_ripeness', '75-_ripeness', '100-_ripeness

基于深度学习YOLOv12的疲劳驾驶检测系统是一个创新的计算机视觉应用，旨在通过实时监测驾驶员面部特征来预防疲劳驾驶引发的交通事故。本系统采用先进的YOLOv12目标检测算法，能够高效识别四种关键面部状态：打哈欠(Yawn)、闭眼(close)、正常状态(noYawn)和睁眼(open)。系统包含完整的用户界面(UI)，支持登录注册功能，便于不同用户使用和管理。项目采用Python语言开发，提供完

本项目开发了一个基于YOLOv8深度学习算法的道路垃圾自动检测系统，专门针对城市道路环境中常见的10类垃圾物品进行识别与定位。系统训练数据集包含总计11,372张标注图像，其中训练集9,909张，验证集977张，测试集486张。检测目标类别包括：电池(Battery)、衣物(Clothing)、一般垃圾(General trash)、玻璃(Glass)、金属(Metal)、纸包装(Paper pa

本文介绍了一种基于深度学习目标检测算法YOLOv11的手机识别检测系统，该系统通过YOLOv11模型实现了高精度的手机目标检测，并集成了用户友好的UI界面与登录注册功能。系统以Python为核心开发语言，包含完整的项目源码、预训练模型及标注数据集。针对手机检测任务，数据集包含单一类别“Phone”，训练集2700张图像，验证集800张图像，覆盖多样场景和光照条件，确保模型鲁棒性。实验表明，该系统在

        本项目使用YOLO（You Only Look Once）目标检测算法进行特定杂草的自动识别，目标是通过计算机视觉技术识别并定位农田中的“0 ridderzuring”杂草，从而帮助农业自动化管理。杂草的及时识别与处理对于提高农业生产效率、保护农作物生长环境至关重要。YOLOv10，作为一种高效的目标检测算法，能够以较高的精度和速度检测出不同种类的目标，因此在农业领域得到了广泛应用

本文提出了一种基于深度学习目标检测模型YOLOv11的晶圆体缺陷检测系统，旨在实现高效、精准的晶圆制造缺陷分类与定位。该系统针对9类典型晶圆缺陷（Center、Donut、Edge-Loc、Edge-Ring、Loc、Near-full、None、Random、Scratch）进行检测，采用包含13,000张标注图像的数据集（训练集10,400张，验证集与测试集各1,300张）进行模型训练与评估。

本文设计并实现了一种基于深度学习YOLOv11的小目标车辆检测系统，结合YOLO格式标注的自定义数据集，构建了完整的车辆检测解决方案。系统采用Python开发，集成用户友好的UI界面及登录注册功能，支持高效的小目标车辆识别与定位。实验结果表明，在包含5236张训练图像和2245张验证图像的数据集上，模型能够准确检测复杂场景下的车辆目标，满足实时性与鲁棒性需求。本系统为智能交通、自动驾驶等应用提供了