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。

Hi，这里是肆十二，今天我们来继续医学方向的毕设更新，今天选用的题材是基于Unet的眼底血管图像分割，废话不多说，我们直接开始！

本文介绍了一个基于YOLOv11和YOLOv8的船舶检测系统，支持25类船舶识别。系统包含训练、测试和图形化界面三部分：1）使用step1_start_train.py进行模型训练，需配置数据集路径；2）通过step2_start_val.py测试模型性能；3）采用PySide6开发图形界面step3_start_window_track.py，支持图片/视频检测。项目还提供Web版demo.py

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

ubuntu分区方案（纯ubuntu系统）首先，基本配置是：512G SDD +2T 机械，内存 64G大神推荐分区方案 ：固态部分：1.逻辑分区500MEFI分区（用作EFI启动500M完全足够）2.逻辑分区500M/boot（开机程序500M完全足够）3逻辑分区64Gswap交换分区（按照内存大小来设置）4.主分区 剩下部分/

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。

github链接：OpenMMLab (github.com)官方文档：Prerequisites — MMDetection 2.15.1 documentationMMDetection推荐大家最好还是在linux系统下使用，windows系统上使用起来属实bug太多下面的教程将会教会大家如何使用MMDetection来训练一个自己的目标检测模型，MMDetection设计的非常nice，准备

本文介绍了基于红外场景的输电线路绝缘子检测系统，包含数据集、模型和图形化界面。系统采用YOLO11等目标检测算法，支持本地和GPU服务器训练，提供模型测试、图形化界面（PySide6开发）和Web界面（Gradio开发）功能。该系统可高效检测绝缘子缺陷，替代传统人工巡检，提升电网安全性和检测效率。资源包含完整代码、数据集和训练指南，适合电力系统智能化改造需求。

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

Hello，大家好，本次我们来教大家使用YOLOV8训练自己的数据集。YOLO系列目前已经更新到了V10，并且YOLO系列模型已经目前稳定运行了一段时间。经过一段时间的准备，我们选择在暑期的这个时间点更新YOLOV8模型的教程，从原理、数据标注和环境配置一一展开讲解，帮助小伙伴们掌握YOLOv8的基本内容。注意本次的教程除了支持v8模型的训练，还适用v3、v5、v9、v10等一系列模型的训练。为了