LLMDet为“如何在视觉语言大模型上针对目标检测任务进行微调”这个问题提供了一条与上下文提示完全不同的、更高级的路径。上下文提示是“授人以鱼”：给通用MLLM（如Gemini、Qwen）提供详细指令和示例图，让它直接输出检测框。这受限于MLLM在检测任务上的非原生架构（无NMS、无置信度），效果不稳定且上限低。LLMDet是“授人以渔”：不用通用MLLM来做检测，而是用LLM作为老师，在训练过程

这篇论文《Roboflow100-VL: A Multi-Domain Object Detection Benchmark for Vision-Language Models》提出了一个专门用于评估视觉语言模型（VLMs）在分布外目标检测任务上表现的基准数据集，并系统性地探索了多种微调策略。以下是基于论文内容的详细解析，重点会放在微调策略及其效果上。

从零样本到微调证明，对于VLM预训练中的分布外（OOD）数据，零样本完全不够。最简单的改进是文本提示增强，无需训练。必须使用微调，但有两种选择：A.微调专用的开放词汇检测器：这是LLMDet和中GroundingDINO微调的路线。利用LLM的监督信号或直接在少量目标数据上进行参数更新，效果最稳定。B.微调通用LVLM（MLLM）本身：这是VLM-R1用强化学习、LMMRotate适配输出格式的路

特性传统枚举 (enum)有作用域枚举 (enum class)作用域无作用域，会污染外层有作用域，需要Enum::Value隐式转换允许隐式转换为int不允许，需要显式转换类型安全较低较高底层类型默认int，可指定默认int，可指定推荐使用旧代码兼容新项目推荐最佳实践建议在新代码中优先使用enum class为枚举指定合适的底层类型以节省内存为枚举提供相关的工具函数避免使用魔术数字，使用有意义的

文章目录2019RoadNet:2019RoadNet:code: https://github.com/yhlleo/RoadNet论文的贡献该文提出了一个多任务像素端到端CNN，道路网，以同时预测路面，边缘和中心线。 道路网自动学习多尺度和多级特征，并在一个专门设计的级联网络中进行整体训练，可以处理各种场景和尺度的道路。上述子任务在训练阶段是相关的，其中路面分割的预测被应用于道路边缘检测和道路

文章目录前言方法介绍参考前言之前简单介绍了水平框的裁剪方法，感兴趣的点击这里。这篇博文将介绍旋转框的裁剪方法。方法介绍使用DOTA_devkit工具包中的imageSplit.py。# example usage of ImgSplitsplit = splitbase(r'example',r'examplesplit')split.splitdata(1)example中的文件路径格式裁剪效果

1、https://github.com/PRBonn/agribot2、https://github.com/ros-mobile-robots/diffbot

文章目录前言2018Deep Extraction of Cropland Parcels from Very High-Resolution Remotely Sensed Imagery前言本博文是对关于农田提取论文的简单汇总。有比较新颖的方法，欢迎大家在下面留言。2018Deep Extraction of Cropland Parcels from Very High-Resolution

你可以在yolo中这样使用。

前言在目标检测推理过程中，经常出现误检的情况。将误检的目标引入样本集中，会大幅降低误检率。思路找出误检的目标，并将其裁成切片；将负样本切片粘贴到原先的样本集中。原样本切片引入负样本后的切片代码small_objects_paste.pyimport aug as amimport globimport randomimport osfrom shp2imagexy import shp2image