本项目基于YOLOv8目标检测算法开发了一套固体废物识别检测系统，专注于两类常见可回收物的识别：瓶子（Bottle）和罐子（Cans）。该系统能够对图像或视频流中的特定固体废物进行快速、准确的定位与分类，为后续的自动化分拣、回收流程提供关键技术支持，具有较高的实际应用价值。

本项目基于YOLOv8目标检测算法构建了一个吸烟行为识别系统，旨在精准检测吸烟相关目标。模型共支持五类目标检测：香烟（Cigarette）、人体（Person）、烟雾（Smoke）、电子烟（Vape）以及吸烟动作（smoking），通过多目标协同检测提升吸烟行为识别的准确性与可靠性。该系统可应用于公共场所智能监控、安全生产管理等场景，实现对吸烟行为的自动化实时监测与预警。

本项目基于YOLOv8目标检测算法构建了一套疲劳驾驶检测系统，专注于识别驾驶员清醒（awake）与疲劳（drowsy）两种状态。模型通过端到端的训练方式，能够实时处理视频或图像输入，并输出带有类别标签和置信度的检测框，可广泛应用于车载监控或驾驶安全预警场景，有效提升驾驶过程中的安全性。

本文设计并实现了一种基于深度学习YOLOv12的工地安全帽与防护服识别检测系统，旨在提升施工现场的安全监管效率。系统采用改进的YOLOv12算法，结合包含5类目标（'helmet', 'no-helmet', 'no-vest', 'person', 'vest'）的自定义数据集进行训练，数据集规模为训练集997张、验证集119张、测试集90张。系统集成用户友好的UI界面，支持登录注册功能。实验表

钢材表面缺陷检测是工业质量控制中的关键环节，传统检测方法依赖人工或简单图像处理技术，存在效率低、误检率高的问题。本文基于深度学习目标检测算法YOLOv12，构建了一套高效、准确的钢材表面缺陷检测系统。系统采用包含6类缺陷（crazing、inclusion、patches、pitted_surface、rolled_in_scale、scratches）的YOLO格式数据集，总计训练集2352张、

本文基于YOLOv11深度学习算法，设计并实现了一个高效的车辆与行人检测系统。该系统采用包含4485张训练图像和1122张验证图像的YOLO格式数据集，涵盖"person"和"car"两类目标，通过优化模型结构和训练策略，实现了高精度的实时检测。系统配备用户友好的UI界面，集成登录注册功能，支持交互式操作与结果可视化。实验表明，该模型在复杂场景下表现出良好的鲁棒性和泛化能力，为智能交通、安防监控等

本文设计并实现了一种基于深度学习YOLOv12的车辆行人检测系统，该系统结合高效的目标检测算法与用户友好的UI界面，能够实时准确地识别图像或视频中的“行人”和“车辆”两类目标。系统采用YOLOv12模型，并在包含5,607张标注图像（训练集4,485张，验证集1,122张）的自定义数据集上进行训练与验证。此外，系统集成登录注册功能，并提供直观的可视化操作界面。实验结果表明，该系统在检测精度与速度上

铁路轨道缺陷检测对保障列车运行安全至关重要。传统人工检测方法效率低且易受主观因素影响，而基于计算机视觉的自动化检测技术可显著提升检测精度与效率。本研究提出一种基于YOLOv11深度学习模型的铁路轨道缺陷智能检测系统，针对四种常见缺陷（裂缝Crack、断裂Putus、剥落Spalling、压溃Squat）进行高精度识别。系统采用包含1,312张训练图像、184张验证图像和97张测试图像的数据集进行模

本文设计并实现了一种基于深度学习YOLOv11算法的工地安全帽与防护服识别检测系统，旨在提升工地安全管理效率。系统采用YOLOv11模型进行目标检测，支持对安全帽（helmet）、未佩戴安全帽（no-helmet）、未穿防护服（no-vest）、普通人员（person）及防护服（vest）五类目标的实时识别。数据集包含训练集997张、验证集119张和测试集90张图像，覆盖多样化工地场景。系统集成用

本文设计并实现了一种基于深度学习YOLOv11算法的道路交通信号标志检测系统，旨在提升自动驾驶与智能交通管理中对复杂交通标志的识别准确率与实时性。系统采用改进的YOLOv11模型，在包含21类交通标志（如"stop"、"red_light"、"ped_crossing"等）的自定义数据集上进行训练与优化，数据集规模为训练集1376张、验证集488张、测试集229张。结合用户友好的UI界面及登录注册