CUB_200是基于经典细粒度鸟类识别基准数据集 CUB-200-2011（Caltech-UCSD Birds 200）转换而来的目标检测版本，标注格式为 YOLO 格式。数据集涵盖 200 种北美鸟类，按 8:1:1 比例划分为训练集、验证集和测试集三个子集。

本项目以清华大学与腾讯联合发布的 TT100K 数据集为基础，采用 YOLOv8n 模型完成交通标志的训练与推理，并基于 PyQt6 开发了一套完整的桌面端可视化识别系统。整个开发流程涵盖数据集构建与处理、模型训练与调优、系统集成与功能开发三个核心阶段，可识别限速牌、禁止标志、指示标志、警告标志等共 45 种常见中国交通标志。

基于 YOLO26 与 Faster R-CNN 双模型对比，覆盖数据集构建、模型训练调优、桌面系统集成的完整深度学习工程项目。

VisDrone 是由天津大学机器学习与数据挖掘实验室 AISKYEYE 团队发布的大规模无人机视角目标检测基准数据集，对应 ICCV 2019 的 "Vision Meets Drone" 挑战赛。

本项目是一个面向钢材表面缺陷检测场景的深度学习应用系统，围绕 YOLOv8 完成了从数据集组织、模型训练、结果评估，到桌面端检测系统开发与功能集成的完整流程。项目以 NEU-DET 钢材表面缺陷数据集为基础，训练得到钢材缺陷检测模型，并基于 PyQt6 开发了可视化检测系统，支持图片识别、视频识别、摄像头实时识别、检测历史管理、模型参数管理和训练指标展示等功能。

本项目围绕粮食质检场景，完整实现了从数据集构建、模型训练调优到桌面端系统集成的全流程。核心算法采用 YOLOv8s 目标检测模型，针对大米中常见的五类杂质进行实时识别与定位，最终以 PyQt6 桌面应用的形式完成系统交付。

WIDER FACE 原始数据集由公开 WIDER 数据集中筛选得到，主要用于非受控场景下的人脸检测研究。根据公开数据集说明，WIDER FACE 共包含 32,203 张图像和 393,703 个人脸标注，图像覆盖 61 类事件场景，并按训练集、验证集、测试集进行划分，其中训练集为 12,880 张、验证集为 3,226 张、测试集为 16,097 张。

本项目面向无人机俯拍场景下的密集人群计数与人体定位任务，采用 P2PNet（Point-to-Point Network）端到端检测框架，结合 VisDrone2020-CC 数据集完成模型训练，并集成为具备登录鉴权、系统首页总览、图片检测、批量检测、历史记录、模型管理、训练指标与数据集统计可视化等完整功能的桌面应用系统。

本项目是基于 YOLOv8 的交通标志识别 Web 系统，采用 Flask + Vue + MySQL 架构。系统包含前台用户端和后台管理员端，支持图片识别、视频识别、浏览器摄像头识别、识别历史管理，以及数据概览、数据集管理、模型管理、日志管理和用户管理。后端在部署时优先使用 GPU 推理，检测不到可用 GPU 时自动回退到 CPU。针对 Windows 中文路径环境，PyTorch 模型保存和加

本项目使用的数据集位于 datasets/GarbageSorting 目录下，主要用于垃圾分类目标检测任务。数据集采用 YOLO 标准目录结构组织，包含图像文件、对应标注文件以及数据集配置文件 data.yaml，可直接用于 YOLOv8 系列模型训练、验证和测试。