本项目基于先进的YOLOv8深度学习算法，开发了一套高精度的工地运输车智能识别检测系统，专门用于识别和分类施工现场常见的三种运输车辆：挖掘机（EXCAVATORS）、自卸卡车（dump truck）和轮式装载机（wheel loader）。系统在包含2,244张训练图像、267张验证图像和144张测试图像的专用数据集上进行训练和优化，实现了在复杂工地环境下的高准确率目标检测。

本项目基于先进的YOLOv8目标检测算法，开发了一个高效准确的车辆识别检测系统，专门用于道路交通场景中的多类车辆识别。系统针对四类常见车辆（公交车、小汽车、摩托车和卡车）进行优化检测，使用包含1000张图像的数据集（训练集750张、验证集100张、测试集150张）进行模型训练和评估。该系统实现了实时视频流和静态图像中的车辆检测与分类，具有检测速度快、识别准确率高和轻量化等特点。系统可部署于多种硬件

        本项目基于最新的目标检测算法YOLOv10，构建了一款高效的口罩检测系统，可精准识别人员是否佩戴口罩，适用于疫情防控、智能监控等场景。该模型在保证高检测精度的同时，优化了推理速度，使其能够实时运行于监控设备、智能门禁、移动端等平台。

本项目基于YOLOv8目标检测算法开发了一套香蕉成熟度自动检测系统，能够准确识别和分类香蕉的6种成熟状态：新鲜成熟(freshripe)、新鲜未成熟(freshunripe)、过熟(overripe)、成熟(ripe)、腐烂(rotten)和未成熟(unripe)。系统使用大规模香蕉图像数据集进行训练，包含训练集15,792张图像、验证集1,525张图像和测试集757张图像，确保了模型对各种成熟度

本项目基于YOLOv11深度学习框架，开发了一套针对无人机的实时识别与检测系统，适用于安防监控、空域管理等领域。系统以单类别（drone）为目标，通过优化模型结构和训练策略，实现了对无人机目标的高精度检测。项目采用轻量化设计，兼顾计算效率与准确性，可部署于边缘设备（如Jetson系列）或无人机管控平台，为低空安全提供智能化解决方案。基于深度学习YOLOv11的无人机识别检测系统（YOLOv11+Y

利用YOLOv10模型对茶叶的八种常见病害进行自动检测，包括茶黑腐病（Black rot of tea）、茶褐斑病（Brown blight of tea）、茶锈病（Leaf rust of tea）、红蜘蛛侵害茶叶（Red Spider infested tea leaf）、茶蚊虫侵害茶叶（Tea Mosquito bug infested leaf）、健康茶叶（Tea leaf）、茶白斑病（W

本项目开发了一套基于YOLOv8目标检测算法的可视化植物病害智能检测系统，专门用于识别和分类30种不同的植物叶片病害。系统训练数据集包含2009张训练图像和246张验证图像，涵盖了苹果、蓝莓、樱桃、玉米、桃子、土豆、大豆、草莓、番茄、葡萄等多种常见经济作物的叶片健康状态和病害表现。该系统能够实时检测植物叶片图像中的病害特征，准确识别特定病害类型，为农业生产者、园艺工作者和农业研究人员提供快速、准确

        YOLOv10无人机识别检测系统 是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测和识别无人机（drone）。该系统能够自动识别并定位无人机，适用于空域监控、无人机管理、安防监控等场景。通过该系统，用户可以实时检测无人机的存在和位置，帮助维护空域安全、防止非法无人机入侵，并为无人机管理提供技术支持。

本文设计并实现了一种基于深度学习YOLOv11的安全帽检测系统，旨在通过计算机视觉技术自动识别图像或视频中是否佩戴安全帽，适用于工地、工厂等需要安全防护的场景。系统采用YOLOv11目标检测算法，针对两类目标（'helmet'和'head'）进行优化训练，数据集包含训练集3500张、验证集750张和测试集750张，确保模型具备较高的检测精度与泛化能力。系统结合PyTorch框架实现模型训练与推理，

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