随着人工智能与计算机视觉技术的飞速发展，基于深度学习的目标检测技术在图像识别领域展现出巨大的应用潜力。本项目旨在开发一个高精度、高效率的猫狗品种识别与检测系统。系统采用前沿的YOLOv12目标检测算法作为核心架构，该模型在速度和精度上相较于前代版本有显著提升，能够实现对图像或实时视频流中猫狗目标的快速、精准定位与品种分类。项目构建了一个包含37个猫狗品种的大规模定制数据集（nc=37），共计13,

本项目基于YOLOv8算法开发了一套晶圆体表面缺陷检测系统，旨在对九类常见缺陷进行精准识别与定位，包括Center（中心缺陷）、Donut（环形缺陷）、Edge-Loc（边缘局部缺陷）、Edge-Ring（边缘环形缺陷）、Loc（局部缺陷）、Near-full（近全圆缺陷）、None（无缺陷）、Random（随机分布缺陷）以及Scratch（划痕缺陷）。

本项目基于YOLOv8目标检测算法开发了一套大豆田间杂草精准识别系统，旨在实现对大豆作物与杂草的自动化区分。系统采用轻量化网络结构，能够在复杂农田环境中实时检测并定位两类目标：大豆植株（soy plant）和杂草（weed），为精准农业中的智能除草作业提供核心技术支持。该模型通过端到端的训练方式，兼具高精度与高效率的特性，可部署于移动设备或边缘计算平台，有效助力农业生产的智能化管理。数据集共包含1

本项目基于YOLOv8目标检测算法开发了一套教师课堂行为识别系统，旨在自动识别并分析教学环境中的教师典型行为。系统共检测6类行为：'翘腿（Crossing legs）'、'指导学生（Guiding students）'、'看屏幕（Looking at the screen）'、'讲授或提问（Teaching or asking）'、'使用手机（Using a phone）' 及 '书写（Writi

本项目基于YOLOv8目标检测算法构建了一个专业的白细胞类型识别系统，旨在实现血液显微图像中五类白细胞的自动化检测与分类。系统以YOLOv8模型为核心架构，设定nc（类别数）参数为5，对应识别嗜碱性粒细胞（Basophil）、嗜酸性粒细胞（Eosinophil）、淋巴细胞（Lymphocyte）、单核细胞（Monocyte）和中性粒细胞（Neutrophil）这些关键白细胞类型。

本项目基于YOLOv8算法开发了一套安全手套佩戴识别检测系统，主要用于识别作业人员是否规范佩戴手套。系统采用两类别目标检测模型（Gloves/NO-Gloves），通过实时分析视频流或图像数据，可自动识别佩戴手套的人员和未佩戴手套的违规行为，广泛应用于建筑工地、工厂车间、电力作业等需要手部防护的安全监管场景，有效提升安全生产管理的智能化水平。数据集共包含8,097张高质量标注图像，其中训练集7,0

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。本项目所使用的数据集总计包含7967张图像，划分为训练集（5553张）、验证集（1474张）和测试集（940张）。

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。数据集共包含12,486张

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。数据集共包含1230张标注图像，按比例划分为训练集（1056张）、验证集（103张）和测试集（71张）。数据集中包

本项目基于YOLOv8框架开发，专注于火箭发射场景中的多目标检测任务，共定义三个检测类别：发动机火焰（Engine Flames）、火箭箭体（Rocket Body）和太空背景（Space）。模型通过端到端的训练实现了对火箭关键部件的实时定位与识别，能够有效支持航天发射监测、视频分析等实际应用场景。项目采用PyTorch深度学习框架。数据集共包含28,149张高质量标注图像，其中训练集24,435