P值是0.798，R值是0.775，mAP0.5是0.798，mAP0.5-0.95是0.497。类别分别是：‘Platelets’, ‘RBC’, ‘WBC’, ‘sickle cell’相关YOLOv8/YOLOv9/YOLOv10/YOLOv11模型可直接使用。训练集图片2853张，验证集219张和测试集81张。共计图片3153张，图像分辨率是416x416。数据集可直接使用，未做任何数据增

P值是0.798，R值是0.775，mAP0.5是0.798，mAP0.5-0.95是0.497。类别分别是：'Platelets', 'RBC', 'WBC', 'sickle cell'相关YOLOv8/YOLOv9/YOLOv10/YOLOv11模型可直接使用。训练集图片2853张，验证集219张和测试集81张。共计图片3153张，图像分辨率是416x416。数据集可直接使用，未做任何数据增

本文提出了一种基于YOLO11-MM框架的多模态目标检测改进方法，重点针对红外与可见光融合场景下的检测性能优化。通过引入高频感知模块(HFP)，在频域对特征进行高通滤波处理，突出小目标的纹理与边缘信息，并采用通道与空间注意力机制增强网络对高频细节的感知能力。实验在FLIR数据集上验证了HFP模块的有效性，结果表明该方法能够显著提升模型在夜间、低对比度等复杂环境下的检测性能，同时对计算资源需求保持可

类别名字分别是:names:['Circular', 'Linear', 'Non-fusion', 'Non-penetration', 'Crack']如有需要，也可进行利用pyqt5搭建人脸表情识别目标系统、该系统拥有登录界面、注册界面和主界面（注意，价格是额外的）如有需要，也可进行利用pyqt5搭建人脸表情识别目标系统、该系统拥有登录界面、注册界面和主界面（注意，价格是额外的）如有需要，也

本文提出了一种基于交叉注意力Transformer（CrossTransformer）的多模态目标检测框架YOLO11-MM，重点研究红外与可见光特征的深度融合策略。通过设计多层堆叠的交叉注意力编码器，实现了跨模态特征的全局交互与动态校准，在FLIR等数据集上有效提升了复杂场景下的检测性能。文章详细阐述了模块的核心思想、结构设计及工程实现方案，包括特征序列化、多头交叉注意力机制和位置编码等关键技术

本文提出一种基于空间依赖感知模块（SDP）的YOLO11-MM多模态目标检测框架改进方法。SDP模块通过在特征金字塔相邻层间构建像素级cross-attention机制，有效解决了传统FPN上采样导致的小目标特征错位问题。该模块采用局部块注意力设计，在保持计算效率的同时显著提升了红外与可见光模态的特征对齐精度。实验表明，SDP在FLIR、M3FD等数据集上能有效改善小目标检测性能，同时保持模型的计

本文基于 RTDETR-MM 给出了一个完整的多模态目标检测实战流程，主要包括：1. **环境搭建**：在 Python 3.10 + PyTorch 2.0.1 + CUDA 11.8 的前提下，构建独立的 `mm` 虚拟环境，避免了低版本 Python 导致的类型注解报错问题。

相关Faster Rcnn、Retinant、SSD、Cascade RcNN模型可直接使用。其中yolov8s训练50个epoch时候的map 50已经高达0.8。训练集有图片7767张图片、验证集730张图片、测试集372张图片。数据集包括txt格式、xml格式、json格式。该数据集为原始数据集，未经任何图像预处理操作。相关YOLOv5~YOLOv9模型可直接使用。数据集共计8869张图片，

Cylinder3D目标检测模型改进创新：通过提出的需求，对数据集进行整体评估分析，并进行相关模型结构改进和提升mAP精度，拥有Backbone，Neck，Head，Loss等相关改进，Cylinder3D目标检测环境配置：Windows、Ubuntu、Centos、Macos等系统环境，如果电脑拥有显卡，可配置GPU版本的Cylinder3D环境。Cylinder3D目标检测模型代跑训练、：可支

相关YOLOv8/YOLOv9/YOLOv10/YOLOv11/yolo12/RTDETR模型可直接使用。P是0.826、R是0.758、mAP50是0.822、mAP50-95是0.606。训练集图片8059张，验证集2302张、测试集1153张。数据集可直接使用，未做任何数据增强等预处理。数据集可直接使用，未做任何数据增强等预处理。共计图片11514张，数据集是txt格式。6类无人机目标检测数