本项目基于YOLOv10目标检测算法开发了一套专注于森林与野外环境的火灾火焰及烟雾识别系统。模型采用YOLOv10进行训练，能够实现高精度、低延迟的实时火灾预警检测。系统针对森林、山区、草原等开阔野外场景中的早期火情进行监控，可有效识别两类目标：'fire'（明火火焰）和'smoke'（烟雾），适用于无人机巡检、固定监控点等多种部署环境。模型在复杂自然背景下仍能保持较高的召回率和准确率，显著提升了

本项目基于YOLOv8目标检测算法开发了一套大豆田间杂草精准识别系统，旨在实现对大豆作物与杂草的自动化区分。系统采用轻量化网络结构，能够在复杂农田环境中实时检测并定位两类目标：大豆植株（soy plant）和杂草（weed），为精准农业中的智能除草作业提供核心技术支持。该模型通过端到端的训练方式，兼具高精度与高效率的特性，可部署于移动设备或边缘计算平台，有效助力农业生产的智能化管理。

葡萄叶病害严重影响葡萄产量与品质，传统人工检测方法效率低且依赖经验。本文基于深度学习技术，提出一种基于YOLOv12的葡萄叶病害智能识别检测系统，实现Black_rot、Esca和Healthy三类叶片的高效分类与定位。系统采用改进的YOLOv12模型，在包含5370张图像的自建数据集（训练集3758张、验证集538张、测试集1074张）上进行训练与评估，结合PyTorch框架及Python开发的

本文提出了一种基于深度学习YOLOv11架构的表情识别检测系统，能够实时检测并分类7种基本表情：愤怒（Angry）、厌恶（Disgusted）、恐惧（Fearful）、快乐（Happy）、中性（Neutral）、悲伤（Sad）和惊讶（Surprised）。系统采用YOLOv11目标检测模型，结合高质量的表情数据集（训练集4483张、验证集550张、测试集566张），实现了高精度和鲁棒性的表情识别。

本研究构建了一种基于深度学习YOLOv11的葡萄叶病害识别检测系统，旨在实现对葡萄叶片病害的高精度、快速识别与分类。系统选取三类目标：黑腐病（Black_rot）、白腐病（Esca）与健康叶片（Healthy），利用包含训练集3758张、验证集538张、测试集1074张的高质量数据集进行模型训练与评估。模型采用YOLOv11架构，以提升对细小病斑区域的检测精度。在Python环境下，系统集成了UI

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