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）。数据集规模充足且划分合理，共包含13,000

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。

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。

本项目基于YOLOv8目标检测算法开发了一套骑手佩戴头盔检测系统，专注于识别摩托车骑乘场景中的三类关键目标：头盔（helmet）、车牌（license_plate）和骑手（motorcyclist）。该系统可广泛应用于交通执法与安全监管场景，辅助提升道路安全管理的智能化水平。YOLOv8的高精度与高效率架构确保了在复杂环境下仍能保持可靠的检测性能，为违规行为识别和证据采集提供技术支持。数据集共包含

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。

本项目基于YOLOv8目标检测算法开发了一套犬种识别系统，专门用于六种常见犬种的实时检测与分类。模型配置为nc=6，对应识别目标包括：比格犬（Beagle）、斗牛犬（bullDog）、柯基犬（corgi）、金毛寻回犬（goldenRetriever）、哈士奇（husky）和博美犬（pomeranian）。系统通过端到端的训练实现了高效的多目标检测能力，能够准确框选图像中的犬只并输出对应的品种标签，

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。

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。项目通过深度学习技