本项目开发了一个基于YOLOv8和LLaVA的铝片表面缺陷智能检测系统。该系统集成了四大核心功能：1)智能单件检测，通过YOLOv8精确定位针孔、擦伤等4类缺陷，并利用LLaVA生成诊断报告；2)批量自动质检，支持高通量处理并生成Excel报表；3)生产质量看板，提供实时统计和历史追溯；4)自主模型训练，实现零代码训练YOLOv8模型。系统采用YOLOv8+LLaVA的多模态架构，结合Gradio

SVDS安全背心检测系统是一款基于YOLOv8和LLaVA的智能安全监管平台。该系统具备高精度目标检测能力，能实时识别施工现场人员是否穿戴安全背心，并通过大语言模型进行深度安全分析。主要功能包括：单图/批量/视频流检测、可视化模型训练、智能问答及历史数据管理。系统采用模块化设计，支持GPU加速，提供工业级专业界面，可生成结构化安全报告和合规建议，是工程安全管理的智能化解决方案。代码已开源，适用于各

TerraSense AI (Local Edition) 是一款基于多模态大模型的本地化遥感影像分析工具，完全脱离云端依赖，通过Ollama调用本地部署的LLaVA、Moondream等模型实现数据安全处理。系统具备语义生成、目标识别、地物分类等五大核心功能，支持生成PDF分析报告。采用React+Vite前端与Ollama后端的分离架构，通过One-Shot Prompting策略提升小模型的

本文介绍了一种基于深度学习的乳腺癌超声图像智能诊断系统。该系统采用改进的ResNet50网络结合CBAM注意力机制，有效提升病灶特征提取能力，并通过Grad-CAM算法实现可视化解释。系统提供完整的Web交互平台，支持图像上传、智能诊断（输出良/恶/正常分类及热力图）、在线模型训练和实验记录管理三大核心功能。使用公开BUSI数据集（780张超声图像），通过数据增强和归一化预处理优化模型性能。该系统

本文提出了一种基于YOLOv8与LLaVA多模态大模型的上肢骨折智能诊断系统。该系统通过YOLOv8算法实现毫秒级骨折定位，采用改进的CSPDarknet53主干网络和PANet颈部网络，有效捕捉骨折线等细微特征。结合LLaVA多模态模型，系统能够自动生成包含诊断结论和治疗建议的结构化医学报告。实验结果表明，该系统可精准识别7种常见上肢骨折类型，显著提升诊断效率，尤其适用于基层医疗机构的辅助诊断场

皮肤病作为医学领域高发、常见的一大类疾病，由于其种类繁多且病理外观相似度较高，在实际临床诊断中对医生的专业经验有较高要求。同时，对于偏远地区或医疗资源不足的场景，人们在患有皮肤异常时往往难以第一时间获得准确的病理分析。本项目旨在设计并实现一套。系统基于轻量级视觉目标检测网络（YOLO）对患者体表病变部位进行毫秒级定位和初筛分类；更重要的是，通过引入强大的多模态大语言模型（LLaVA）与 RAG（检

在现代公共安全治理体系中，对公共场所、大型文娱活动、火车站及地下商超等人群密集区域的态势感知和安全监测至关重要。近年来，由于局部人群瞬时流量过载、疏导不力导致的群体踩踏事故屡见不鲜，造成了严重的人身伤亡与不良社会影响。传统的人流管控方式通常依赖于人工巡检以及监控中心值守人员的肉眼观察。

摘要 本研究开发了一套基于YOLOv8深度学习的茶叶病害智能检测系统，针对藻斑病、褐枯病和灰枯病三种常见病害进行自动识别。系统采用YOLOv8作为核心检测模型，集成CLAHE图像增强算法提升检测鲁棒性，并通过Gradio构建全中文Web交互界面。实验结果表明，该系统在自建茶叶病害数据集上表现良好，为茶园病害监测提供了可行的技术方案。系统特色包括：1) 构建2723张茶叶病害数据集；2) 采用CLA

在现代公共安全治理体系中，对公共场所、大型文娱活动、火车站及地下商超等人群密集区域的态势感知和安全监测至关重要。近年来，由于局部人群瞬时流量过载、疏导不力导致的群体踩踏事故屡见不鲜，造成了严重的人身伤亡与不良社会影响。传统的人流管控方式通常依赖于人工巡检以及监控中心值守人员的肉眼观察。

本文设计并实现了一套基于YOLO的小麦麦穗智能检测系统，旨在解决传统人工计数效率低、主观性强的问题。系统采用Python开发，后端基于FastAPI框架，前端使用原生HTML/CSS/JavaScript实现，支持数据集格式转换、单图/批量检测、实时摄像头检测、模型训练管理等功能。通过将Kaggle CSV标注转换为YOLO格式，系统处理了147793个标注框，并实现了CUDA环境自动检测优化GP