本项目基于最先进的YOLOv10目标检测算法，开发了一套高精度的船舶分类识别检测系统，能够准确识别并分类五大类船舶：集装箱船(Container Ship)、邮轮(Cruise Ship)、军用舰艇(Military Ship)、滚装船(RORO)和油轮(Tanker)。系统采用包含3,721张高质量船舶图像的专业数据集进行训练和评估，其中训练集3,232张，验证集339张，测试集150张。该系统

本项目基于YOLOv8深度学习框架，开发了一套先进的船舶分类识别检测系统，能够自动识别并分类五种主要船舶类型：集装箱船（Container Ship）、邮轮（Cruise Ship）、军用舰艇（Military Ship）、滚装船（RORO）和油轮（Tanker）。系统采用包含3,721张高质量标注图像的数据集（训练集3,232张、验证集339张、测试集150张），通过精细的模型调优和迁移学习技术

本文介绍了一种基于深度学习目标检测算法YOLOv11的船舶类型识别检测系统，该系统能够高效准确地识别10类常见船舶，包括散货船（BULK CARRIER）、集装箱船（CONTAINER SHIP）、杂货船（GENERAL CARGO）、成品油船（OIL PRODUCTS TANKER）、客船（PASSENGERS SHIP）、油轮（TANKER）、拖网渔船（TRAWLER）、拖船（TUG）、车辆运

本文提出了一种基于深度学习YOLOv11的辣椒叶片病害识别检测系统，旨在实现高效、精准的病害分类与定位。系统针对5类常见辣椒叶片病害（黄单胞菌病[xanthomonas]、花叶病[mosaic]、健康叶片[healthy]、尾孢菌病[cercospora]和卷叶病[leaf curl]）进行检测，采用包含1796张训练图像和462张验证图像的自建YOLO格式数据集进行模型训练。结合用户友好的UI界

辣椒叶片病害严重威胁农业生产，传统病害识别方法依赖人工经验，效率低且易出错。本文基于深度学习技术，提出一种基于YOLOv12的辣椒叶片病害智能识别系统，实现高效、准确的病害检测。系统针对5类常见辣椒叶片病害（黄单胞菌病[xanthomonas]、花叶病[mosaic]、健康叶片[healthy]、尾孢菌病[cercospora]、卷叶病[leaf curl]）进行识别，采用包含1796张训练集和4

本文设计并实现了一种基于深度学习YOLOv11的篮球运动员识别检测系统，该系统能够实时检测篮球比赛场景中的多类目标，包括球员（Player）、裁判（Ref）、篮球（Ball）、篮筐（Hoop）、计时器（Time Remaining）、队名（Team Name）、比分（Team Points）、节次（Period）和进攻倒计时（Shot Clock）等9类对象。系统采用YOLOv11算法进行高效目标

本文基于YOLOv12深度学习框架，设计并实现了一套篮球运动员及赛场关键目标检测系统。该系统能够准确识别篮球比赛中的9类目标，包括球员（Player）、篮球（Ball）、篮筐（Hoop）、裁判（Ref）、计时器（Shot Clock、Time Remaining）、比分（Team Points）、队名（Team Name）和比赛节次（Period）。通过构建包含1,196张图像的自定义数据集（训练

本文基于深度学习目标检测算法YOLOv11，设计并实现了一套家具识别检测系统，能够高效准确地识别和定位图像中的常见家具类别，包括椅子（Chair）、沙发（Sofa）和桌子（Table）。系统采用YOLOv11模型，结合标注的YOLO格式数据集进行训练，并通过Python开发了用户友好的UI界面，支持登录注册功能，提升了系统的交互性和实用性。实验结果表明，该系统在训练集（454张）、验证集（161张

本项目基于先进的YOLOv12目标检测算法，开发了一套高性能的船舶图像分类与检测系统。该系统能够精准地识别和定位图像或视频流中的船舶，并将其自动分类为五大特定类别：集装箱船（Container Ship）、邮轮（Cruise Ship）、军用船舶（Military Ship）、滚装船（RORO） 和 油轮（Tanker）。YOLOv12作为YOLO系列的最新迭代，在检测速度与精度上实现了显著提升，

本项目基于先进的YOLOv11目标检测算法，开发了一套高效、精准的船舶图像分类与检测系统。该系统能够对输入图像或视频中的船舶目标进行实时定位（Bounding Box）并准确分类为五大特定类别：集装箱船（Container Ship）、邮轮（Cruise Ship）、军用船舶（Military Ship）、滚装船（RORO）以及油轮（Tanker）。YOLOv11作为YOLO系列的最新迭代，其在检