本文详细介绍了在WSL2 Ubuntu + ROS2 Jazzy环境下，使用奥比中光Gemini 336L相机运行RTAB-Map RGB-D SLAM的完整流程。主要内容包括：1) 通过usbipd-win将相机透传到WSL2；2) 启动OrbbecSDK_ROS2驱动发布RGB/Depth数据；3) 配置RTAB-Map参数订阅相机话题进行SLAM建图；4) 在RViz2和rtabmap_vi

手把手教你使用YOLOV5训练自己的目标检测模型大家好，这里是肆十二（dejahu），好几个月没有更新了，这两天看了一下关注量，突然多了1k多个朋友关注，想必都是大作业系列教程来的小伙伴。既然有这么多朋友关注这个大作业系列，并且也差不多到了毕设开题和大作业提交的时间了，那我直接就是一波更新。这期的内容相对于上期的果蔬分类和垃圾识别无论是在内容还是新意上我们都进行了船新的升级，我们这次要使用YOLO

labelme在实例分割和语义分割任务中经常用到，很多小伙伴完成ai的任务的时候，有的时候不只需要找到对应物体的边界框，对物体的整体的轮廓信息也有比较严格的要求，比如通过物体的mask来计算出对应物体的面积。所以，今天这期，我们来说一下labelme软件如何进行使用，以及根据这一期的内容来完成后面的语义分割的任务。

本文介绍了目标检测中的三种后处理算法：NMS、NMM和GREEDYNMM。NMS通过保留最高置信度框并删除重叠框来消除冗余；NMM将重叠框分组后合并；GREEDYNMM则采用贪婪策略逐对合并重叠框。分析表明，GREEDYNMM通过合并而非删除的方式处理重叠目标，能更好地应对目标堆叠场景，是遥感等密集目标检测任务中的最优选择。

本文介绍了一个基于YOLO12模型的无人机航拍视角目标检测系统。该系统可检测行人、车辆等9类目标，配套提供了标注数据集、训练好的YOLOv5/YOLOv8/YOLO11/YOLO12模型及图形化界面。文章详细说明了环境配置、本地训练、GPU服务器训练、模型测试等步骤，并展示了PySide6开发的升级版图形界面和基于Gradio的Web界面。系统支持图片和视频检测，用户可根据需求替换自定义模型。数据

本文介绍了一个基于改进UNet的遥感图像分割系统，主要用于识别遥感可见光图像中的房屋目标。系统采用UNet及其改进模型，结合PyQt构建图形化界面，支持模型切换、图像上传和分割功能。项目提供了详细配置指南，包括数据集准备、环境配置和模型验证步骤，并介绍了语义分割中的关键评估指标（精确度、召回率、mIoU、mPA和Dice系数）。该系统通过编码器-解码器结构和跳跃连接机制，有效解决了遥感图像分割中的

电动车头盔佩戴检测系统 本系统基于YOLO12深度学习算法，实现了电动车驾驶员头盔佩戴情况的自动检测。项目提供完整的数据集（包含"佩戴头盔"、"未佩戴头盔"和"电动车"三类标注）、预训练模型（YOLOv5/v8/v11/v12）和配套的图形化界面。系统支持图片和视频检测，准确识别头盔佩戴情况，并提供可视化结果。项目包含详细的本地训练指南、

尽管深度cnn在图像语义分割方面取得了很大的进步，但它们通常需要大量密集标注的图像进行训练，并且难以推广到看不见的对象类别。因此，开发了少量镜头分割，以学习仅从几个注释示例中执行分割。本文从度量学习的角度解决了具有挑战性的少镜头分割问题，并提出了一种新的原型对准网络PANet，以更好地利用支持集的信息。我们的PANet从嵌入空间内的一些支持图像中学习特定于类的原型表示，然后通过将每个像素与学习到的

摘要：本项目基于YOLOv11开发了一套危险驾驶行为检测系统，可识别打哈欠、闭眼、抽烟、打电话等8种危险驾驶行为。系统包含完整的数据集、预训练模型和图形化界面，支持本地训练、测试以及服务器GPU训练方案。项目提供PySide6开发的桌面应用和Gradio实现的Web界面，用户可通过上传图片或视频进行实时检测。资源包中包含YOLOv5/v8/v11多版本模型对比，详细的环境配置指南和训练教程也一并提

本文介绍了目标检测标注工具LabelImg的安装与使用方法。首先详细说明了如何通过conda创建虚拟环境并安装LabelImg，然后讲解了图像数据集的准备工作，提供了中文路径处理的Python脚本。文章重点介绍了LabelImg的标注功能，包括常用快捷键的使用，并对比了YOLO、VOC和COCO三种数据格式的特点。特别针对YOLO格式的标注进行了详细说明，解释了其txt标签文件的结构和数值含义，通