pycharm一运行就是test怎么改

本文介绍了基于YOLO系列模型的林业害虫检测项目，包含1873张图片的6类害虫数据集。项目实现了YOLOv5/8/10/11四种模型，并进行了四项优化：1）使用深度可分离卷积实现轻量化；2）添加全维度动态卷积提升多尺度特征提取；3）引入卷积注意力融合模块增强遮挡检测能力；4）采用自适应阈值焦点损失解决类别不平衡问题。项目包含详细视频教程（4-6小时），涵盖基础知识、环境配置、代码实现等内容，并开发

基于深度学习的茶叶病害识别项目。该项目采用CNN和Transformer架构的9种模型（如ResNet、VIT等），通过添加CBAM注意力机制优化性能，准确率达97%。项目包含数据集处理、模型训练、对比实验（混淆矩阵、ROC曲线）和基于Django的演示系统，帮助茶农快速识别病害，减少农药滥用，推动智慧农业发展。配套4集讲解视频涵盖项目介绍、环境配置、代码使用和论文写作指导。

本文介绍了基于深度学习的车辆检测识别项目，采用YOLO系列算法（包括YOLOV5/V8/V10/V11）实现目标检测。项目针对交通管理需求，通过改进网络结构、添加动态卷积模块和注意力机制等优化措施，提升模型在复杂场景下的检测性能。提供完整的技术路线、数据集信息（9202张图片）和多种模型对比实验，并基于PYQT5开发了两种风格的GUI演示系统。项目包含详细视频教程（4-6小时），涵盖环境配置、代码

本文介绍了基于深度学习的行人检测项目，采用YOLO系列算法（V5/V8/V10/V11）实现多目标检测，并针对模型进行了四项优化改进：1）使用可分离卷积实现轻量化；2）添加全维度动态卷积模块提升特征提取能力；3）引入卷积注意力融合模块增强遮挡检测；4）采用自适应阈值损失函数处理类别不平衡。项目包含11000张标注图像的数据集，通过PyQT5开发了GUI演示系统，支持图片/视频/摄像头输入检测，提供

本文介绍了基于YOLO算法的交通目标检测项目，包含YOLOv5/v8/v10/v11等模型实现及优化改进。项目采用11000张标注图片的数据集，包含车辆、行人等5类目标。主要改进包括：1）使用DWConV卷积实现模型轻量化；2）添加ODConv动态卷积模块；3）结合卷积和注意力的CAFM模块提升特征提取能力；4）采用自适应阈值焦点损失(ATFL)处理样本不平衡。项目提供完整的训练日志、对比实验和基

本文介绍了基于YOLO系列模型的烟草叶部病虫害检测系统。项目针对烟草产业中的病虫害检测难题，提出使用YOLOV5/V8/V10/V11等模型，并进行了四项优化：1)采用深度可分离卷积实现轻量化；2)引入全维度动态卷积模块；3)添加卷积-注意力融合模块提升遮挡检测能力；4)使用自适应阈值焦点损失函数处理样本不平衡。系统包含1800张烟草病虫害图片数据集，支持四种常见病害检测，并开发了PYQT5图形界

基于深度学习的苹果叶部病害检测项目，采用YOLO系列模型（V5/V8/V10/V11）并进行四项优化改进：1)使用可分离卷积实现轻量化；2)添加全维度动态卷积模块；3)引入卷积注意力融合模块提升小目标检测；4)采用自适应阈值焦点损失处理类别不平衡。项目包含8055张7类病害图片，提供4-6小时详细教程视频（含环境配置、代码使用、论文写作等），并基于PyQT5开发了两种风格的GUI演示系统，支持图片

本文介绍了基于深度学习的果蔬新鲜度识别分类项目。该项目采用CNN和Transformer架构的9种模型（如ResNet、VGG、Swin Transformer等），通过图像分析果蔬外观特征实现精准分级，识别准确率超97%。项目创新性地引入CBAM注意力机制进行模型优化，并提供了完整的实验分析（对比实验、混淆矩阵、ROC曲线）和基于Django的演示系统。该技术可应用于果蔬产业链各环节，有效降低1

基于深度学习的水果识别分类项目，包含9种模型实现（7种CNN架构和2种Transformer架构），通过CBAM注意力机制优化模型性能。该项目针对水果产业全链条痛点，可实现对多种水果的精准识别，准确率超98%，单图识别耗时不足0.5秒。项目包含完整的代码实现、多模型对比实验（混淆矩阵、ROC曲线等）、Django演示系统，配套4-6小时的详细讲解视频，涵盖基础知识、环境配置、代码使用等内容，适合计