本系统以 YOLOv8 为核心检测引擎，面向城市道路监控场景，实现对行人、非机动车、摩托车等目标的交通违规行为自动检测与分类。系统支持图片、视频、实时摄像头三种输入模式，并配有完整的 PyQt6 图形化操作界面，涵盖检测、统计、历史管理、指标可视化等功能，完整还原了深度学习项目从数据到系统的落地全链路。

本项目基于 YOLOv11 深度学习模型实现人脸表情的智能识别，提供完整的训练流程与可视化桌面应用。系统支持图片、视频、摄像头三种识别方式，具备用户登录、历史记录、模型管理、指标可视化等功能。

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。

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。

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。

本系统采用 YOLOv8 作为检测骨干网络，对 18 类手势进行识别。系统包含完整的训练流程与桌面端应用，支持用户登录、多源检测、结果导出及训练指标可视化。

基于 YOLOv8 目标检测模型 + PyQt6 桌面端应用的垃圾分类识别系统，覆盖数据集构建、模型训练调优、系统集成开发的完整深度学习工程流程。

本项目是一个围绕 YOLOv8 构建的无人机识别与检测系统，涵盖了深度学习项目从数据集组织、模型训练、参数调优、结果评估，到桌面端系统集成与功能开发的完整流程。项目以 Anti-UAV 单类别目标检测数据集为基础，完成了无人机目标检测模型训练，并在 PyQt6 图形界面中实现了图片识别、视频识别、摄像头实时识别、模型管理、训练指标展示与检测历史管理等功能。

本项目为面向智能辅助驾驶的车道线检测/分割演示系统，基于 Ultralytics YOLOv8 (seg) 完成车道线分割，并提供 PyQt6 图形化界面（登录/注册、图片/视频/摄像头检测、历史记录）。

本数据集专门用于行人和车辆检测任务，采用YOLO标准格式，包含完整的图像和精确的TXT标注文件，可直接用于YOLOv5、YOLOv8、YOLOv9等主流目标检测框架的训练，也支持转换为其他格式用于Faster R-CNN、SSD等框架。