OrangePi AIpro（20T）采用昇腾AI技术路线，具体为4核64位处理器+AI处理器，集成图形处理器，支持20TOPS AI算力，拥有12GB/24GB LPDDR4X，可以外接32GB/64GB/256GB eMMC模块，支持双4K高清输出。

花生种子的霉变问题直接影响其发芽率、食品安全及商业价值，传统人工检测方法效率低且易受主观因素影响。本项目基于YOLOv11深度学习框架，开发了一套高效、自动化的花生种子霉变检测系统"with mold"（霉变）和"without mold"（正常）。系统采用PyTorch深度学习框架，结合YOLOv11目标检测算法，在保证高精度的同时优化了计算效率，使其可在普通计算设备（如CPU或低算力GPU）上

本项目基于YOLOv8目标检测算法开发了一套犬种识别系统，专门用于六种常见犬种的实时检测与分类。模型配置为nc=6，对应识别目标包括：比格犬（Beagle）、斗牛犬（bullDog）、柯基犬（corgi）、金毛寻回犬（goldenRetriever）、哈士奇（husky）和博美犬（pomeranian）。系统通过端到端的训练实现了高效的多目标检测能力，能够准确框选图像中的犬只并输出对应的品种标签，

本项目基于YOLOv8目标检测算法，开发了一套高效准确的草莓成熟度自动检测系统。系统将草莓成熟度划分为三类：未成熟（raw）、成熟（ripe）和转色期（turning），通过计算机视觉技术实现对草莓成熟状态的实时识别与分类。项目使用高质量的自建数据集进行训练与验证，其中训练集包含2939张标注图像，验证集包含774张图像，覆盖不同光照条件、拍摄角度及成熟阶段的草莓样本，确保模型的泛化能力。系统可部

本项目基于先进的YOLOv8目标检测算法，开发了一套专门用于手机检测的智能视觉系统。系统针对单一目标类别（Phone）进行优化训练，使用了包含3500张图像的数据集（训练集2700张，验证集800张）。通过深度学习技术，该系统能够实时、准确地检测图像或视频流中的手机设备，具有检测速度快、准确率高、模型轻量化等特点。项目采用PyTorch框架实现，支持多种部署方式，包括移动端部署和嵌入式设备部署，可

本项目基于先进的YOLOv8深度学习框架，开发了一套高精度的猫狗品种识别检测系统，能够准确识别和分类37种不同品种的猫狗（包含12种猫品种和25种狗品种）。系统采用大规模标注数据集进行训练，包含训练集12879张图像、验证集736张图像和测试集368张图像，通过数据增强、迁移学习和模型优化技术，实现了对各类猫狗品种的高精度识别。

本文基于深度学习目标检测算法YOLOv11，设计并实现了一套高效的脑肿瘤检测系统。系统整合了YOLO格式的脑肿瘤数据集，通过数据增强、模型训练与优化，构建了高精度的脑肿瘤检测模型。系统前端采用用户友好的UI界面，支持登录注册功能，确保数据安全与个性化使用。后端基于Python开发，结合PyTorch框架实现模型推理，提供实时检测与结果可视化功能。实验表明，该系统在准确率、召回率等指标上表现优异，可

本项目基于YOLOv8深度学习框架，开发了一套高效、准确的肺炎智能检测系统，用于医学影像（如X光或CT扫描）中的肺炎识别。系统针对单类别（'Pneumonia'肺炎）进行优化，采用包含3,772张训练图像、539张验证图像和1,078张测试图像的数据集进行训练和评估。该系统能够快速、自动地识别肺炎病变，辅助医生进行诊断，提高医疗检测效率，减少漏诊和误诊风险。

本项目基于先进的YOLOv8目标检测算法，开发了一套专门用于钢铁表面腐蚀与生锈缺陷的自动检测系统。系统采用深度学习技术，通过对钢铁表面图像的实时分析，能够准确识别和定位腐蚀区域。项目数据集包含600张标注图像，其中训练集450张、验证集120张、测试集30张，类别(nc)为单一的"Corrosion"类别。本解决方案不仅大幅提高了钢铁腐蚀检测的效率和准确性，还通过数字化手段为设备维护决策提供了可靠

本项目基于YOLOv11深度学习算法开发了一套学生课堂行为检测系统，旨在实时识别并分析学生在课堂中的多种行为表现。系统可检测6类典型课堂行为：举手（hand-raising）、阅读（reading）、书写（writing）、使用手机（using phone）、低头（bowing the head）和趴桌（leaning over the table）。采用精心标注的YOLO格式数据集，包含训练集1