实验结果表明，所提方法在两个数据集上分别达到81.54%和82.75%的mAP@0.5，优于包括YOLOv11、YOLOv8、YOLOTrashCan等基线检测器，并进一步超越了近期水下专用SOTA模型（如TC-YOLO与YOLOv8-MU）

构建公开草莓成熟度数据集：首个包含566张图像、1,734个标注对象的多条件数据集，采集自土耳其两个温室不同光照环境，涵盖完全成熟、半熟、未熟三类。

30分钟搞定！YOLOv8+OpenClaw+腾讯云，手把手教你打造工业缺陷检测AI员工

本文针对印刷电路板（PCB）缺陷检测中红外数据稀缺的关键瓶颈，提出了一种融合CycleGAN与YOLOv8的跨模态数据增强框架。

YOLO11对决YOLO26：双雄并立，谁将重塑计算机视觉新格局？

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。​​​​​​借鉴V10 PSA结构，实现了C2PSA和C2fPSA，最终选择了基于C2的C2PSA（可能涨点更好？​​实现代码​​实

工业部署解决方案 | 多头检测器+小缺陷到大缺陷一网打尽的+Wasserstein Distance Loss，原始mAP@0.5 0.679提升至0.814

本文提出TDCNet，一种创新的移动红外小目标检测网络。核心贡献包括：1）提出时间差分卷积重参数化模块(TDCR)，首次将时间差分与3D卷积融合为可学习的统一表示，能显式捕获多尺度运动上下文；2）设计TDC引导的时空注意力机制(TDCSTA)，通过交叉注意力增强目标区域特征；3）构建IRSTD-UAV数据集(15,106帧)。实验表明，该方法在复杂背景下显著优于现有技术，F1分数达96.74%，平

创新点在不同数据集表现是不一致的，针对创新点在自己数据集不涨点的问题，可以将创新点放在网络不同位置进行验证，而不是一味的放弃换来换去的思路。

在DOTA-v1数据集上，两模型mAP@0.5分别提升1.3%和1.8%，mAP@0.5:0.95提升0.3%和0.6%，验证了各模块的有效性与协同增益。