人工智能_SYBH-CSDN博客

原创 YOLO项目环境配置教程

YOLO项目环境安装，环境配置，项目环境配置，python虚拟环境搭建

2024-10-16 22:49:28 2451

原创基于深度学习YOLOv10的草莓果实病害检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

草莓是一种高经济价值的水果，但在种植过程中容易受到多种病害的侵袭，如（橡胶病）、（黑斑病）、（灰霉病）、（白粉病）等。这些病害会严重影响草莓的产量和品质。传统的病害检测方法依赖于人工观察，效率低且容易漏检。基于深度学习的目标检测技术可以自动识别草莓果实病害，帮助种植户及时采取防治措施，减少经济损失。本项目利用YOLOv10（You Only Look Once version 10）目标检测算法，开发一个高效的草莓果实病害检测系统。

2025-05-02 17:27:55 236

原创基于深度学习的虾病害检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

虾类养殖是全球水产养殖业的重要组成部分，但虾类病害（如黑斑病、黑鳃病、肝胰腺苍白病、白斑综合症病毒等）严重影响了虾类的健康生长和养殖效益。传统的病害检测方法依赖于人工观察和经验判断，效率低且容易出错。基于深度学习的目标检测技术可以自动识别虾类病害，帮助养殖户及时采取防治措施，减少经济损失。本项目利用YOLOv10（You Only Look Once version 10）目标检测算法，开发一个高效的虾病害检测系统。

2025-05-02 17:25:00 382

原创基于深度学习YOLOv10的骨折检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

骨折是常见的医疗问题，及时准确的诊断对患者的治疗和康复至关重要。传统的骨折诊断依赖于医生的经验和影像学检查，如X光片、CT扫描等。然而，人工诊断存在主观性和疲劳等问题。随着深度学习技术的发展，基于计算机视觉的自动骨折检测系统能够辅助医生快速、准确地识别骨折，提高诊断效率和准确性。本项目旨在利用YOLOv10（You Only Look Once version 10）目标检测算法，开发一个高效的骨折检测系统。

2025-05-02 17:21:31 362

原创基于深度学习YOLOv10的肺炎检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景肺炎是一种常见的呼吸道感染疾病，早期诊断对于治疗和预后至关重要。传统的肺炎诊断方法主要依赖胸部X光片和医生的经验判断，效率较低且容易受到主观因素的影响。随着计算机视觉和深度学习技术的发展，基于图像的目标检测方法逐渐成为医学影像分析的研究热点。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于YOLOv10模型，旨在开发一个能够自动检测肺炎的系统，帮助医生提高诊断效率和准确性。项目目标。

2025-05-02 17:16:41 413

原创基于深度学习YOLOv10的钢铁焊接缺陷检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景钢材在工业生产中应用广泛，其质量直接关系到工程结构的安全性和耐久性。钢材在制造和焊接过程中容易出现各种缺陷，如裂纹、气孔、焊渣等。传统的缺陷检测方法主要依赖人工检查或专用设备，效率低且成本高。随着计算机视觉和深度学习技术的发展，基于图像的目标检测方法逐渐成为钢材缺陷检测的研究热点。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于YOLOv10模型，旨在开发一个能够自动检测钢材缺陷的系统，帮助工业部门提高检测效率和产品质量。

2025-05-02 17:12:09 569

原创基于深度学习YOLOv10的茶叶病害检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景茶叶病害是影响茶叶产量和品质的重要因素之一。传统的病害检测方法主要依赖人工观察和经验判断，效率低且容易受到主观因素的影响。随着计算机视觉和深度学习技术的发展，基于图像的目标检测方法逐渐成为茶叶病害检测的研究热点。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于YOLOv10模型，旨在开发一个能够自动检测茶叶病害的系统，帮助茶农提高病害识别效率，减少损失。项目目标。

2025-05-02 16:50:58 173

原创基于深度学习YOLOv10的铁轨轨道缺陷检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景铁轨轨道的健康状况直接关系到铁路运输的安全性和效率。传统的轨道缺陷检测方法主要依赖人工巡检或专用检测设备，效率低且成本高。随着计算机视觉和深度学习技术的发展，基于图像的目标检测方法逐渐成为轨道缺陷检测的研究热点。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于YOLOv10模型，旨在开发一个能够自动检测铁轨轨道缺陷的系统，帮助铁路部门提高检测效率和安全性。项目目标。

2025-05-02 16:48:28 564

原创基于深度学习YOLOv10的草莓成熟度检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景草莓的成熟度检测在农业生产和采摘过程中具有重要意义。传统的成熟度检测方法主要依赖人工观察，效率低且容易受到主观因素的影响。随着计算机视觉技术的发展，基于深度学习的自动检测方法逐渐成为主流。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于YOLOv10模型，旨在开发一个能够自动检测草莓成熟度的系统，帮助农户提高采摘效率和质量。项目目标。

2025-05-02 16:38:56 365

原创基于深度学习YOLOv10的玉米幼苗杂草检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景: 在农业生产中，杂草是影响作物生长的重要因素之一。杂草与作物竞争养分、水分和阳光，导致作物减产。传统的杂草识别和清除方法依赖于人工操作，效率低且成本高。随着计算机视觉和深度学习技术的发展，基于目标检测的自动化杂草识别系统逐渐成为农业领域的研究热点。本项目旨在利用YOLOv10模型构建一个高效的玉米幼苗杂草检测系统，帮助农民快速识别田间杂草，为精准农业提供技术支持。项目目标开发一个基于YOLOv10的玉米幼苗杂草检测系统，能够自动识别和定位杂草。提高杂草检测的准确性和效率，减少人工干预。

2025-05-02 16:35:34 343

原创基于深度学习YOLOv10的脑肿瘤检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景: 脑肿瘤是一种严重的医学病症，早期检测和诊断对于患者的治疗和康复至关重要。传统的脑肿瘤检测方法依赖于医学影像的人工分析，这不仅耗时且容易受到主观因素的影响。随着深度学习技术的发展，基于计算机视觉的自动检测系统逐渐成为医学影像分析的重要工具。本项目旨在利用YOLOv10模型构建一个高效、准确的脑肿瘤检测系统，帮助医生快速识别和定位脑肿瘤。项目目标开发一个基于YOLOv10的脑肿瘤检测系统，能够自动识别和定位脑肿瘤。通过深度学习模型提高脑肿瘤检测的准确性和效率，减少人工分析的工作量。

2025-05-02 16:32:00 243

原创基于深度学习YOLOv10的PCB电路板缺陷检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景在电子制造业中，印刷电路板（PCB）的质量检测是确保电子产品性能可靠性的关键环节。传统的PCB缺陷检测方法依赖于人工目检或自动化光学检测（AOI）设备，效率低且成本高。基于计算机视觉和深度学习的PCB缺陷检测系统能够自动、高效地识别PCB中的各种缺陷，从而提高生产效率和产品质量。本项目利用YOLOv10目标检测算法，实现对六种常见PCB缺陷（漏孔、鼠咬、开路、短路、毛刺、杂铜）的自动检测。项目目标构建一个基于YOLOv10的PCB缺陷检测模型，能够准确识别六种常见缺陷。

2025-05-02 15:45:38 260

原创基于深度学习YOLOv10的番茄成熟度检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景在农业生产中，番茄的成熟度检测是决定采摘时机和产品质量的关键环节。传统的成熟度检测方法依赖于人工观察，效率低且主观性强，难以满足大规模种植的需求。随着计算机视觉和深度学习技术的发展，基于图像的番茄成熟度自动检测系统逐渐成为研究热点。本项目利用YOLOv10目标检测算法，实现对番茄成熟度的自动检测，为精准农业提供技术支持。项目目标构建一个基于YOLOv10的番茄成熟度检测模型，能够准确识别不同成熟度的番茄。提供高效的成熟度检测功能，帮助农民或农业机器人实现自动化采摘。

2025-05-02 15:41:55 467

原创基于深度学习的布料缺陷检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景在纺织行业中，布料的质量检测是生产过程中至关重要的一环。传统的布料缺陷检测方法依赖于人工检查，效率低且容易出错。基于计算机视觉和深度学习的布料缺陷检测系统能够自动、高效地识别布料中的各种缺陷，从而提高生产效率和产品质量。本项目利用YOLOv10目标检测算法，实现对六种常见布料缺陷（带纱、断纱、棉球、破洞、脱纱、污渍）的自动检测。项目目标构建一个基于YOLOv10的布料缺陷检测模型，能够准确识别六种常见缺陷。提供高效的缺陷检测功能，帮助纺织企业提升产品质量和生产效率。

2025-05-02 15:25:06 427

原创基于深度学习的安全帽检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景在工业生产、建筑工地等高风险环境中，佩戴安全帽是保障工人安全的重要措施。传统的人工检查方法效率低且容易遗漏，而基于计算机视觉的安全帽检测系统能够实时、自动地检测工人是否佩戴安全帽，从而有效提升安全管理水平。本项目利用YOLOv10目标检测算法，实现对安全帽和人头的自动检测，确保工作场所的安全合规性。项目目标构建一个基于YOLOv10的安全帽检测模型，能够准确识别安全帽和人头。提供实时检测功能，帮助安全管理人员监控工作场所的安全帽佩戴情况。通过数据增强和模型优化，提高检测精度和鲁棒性。技术栈。

2025-05-02 15:21:36 589

原创基于深度学习YOLOv10的学生课堂行为检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景在智慧教育领域，学生课堂行为的自动检测与分析对于提高教学质量、评估学生学习状态具有重要意义。传统的行为检测方法依赖于人工观察，效率低且主观性强。基于计算机视觉和深度学习的学生行为检测系统能够实时、客观地识别学生的课堂行为，为教师提供数据支持。本项目利用YOLOv10目标检测算法，实现对六种常见课堂行为（举手、阅读、书写、使用手机、低头、趴在桌上）的自动检测。项目目标构建一个基于YOLOv10的学生课堂行为检测模型，能够准确识别六种行为。提供实时行为检测功能，帮助教师或教育管理者了解学生课堂状态。

2025-05-02 15:19:06 412

原创基于深度学习YOLOv10的玉米杂草检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

在农业生产中，杂草是影响作物生长和产量的重要因素之一。传统的杂草识别和清除方法通常依赖于人工操作，效率低下且成本较高。随着计算机视觉和深度学习技术的快速发展，基于图像的杂草自动检测系统逐渐成为研究热点。本项目旨在利用YOLOv10目标检测算法，实现对五种常见杂草（ji、caodizaoshuhe、shacao、li、yumi）的自动检测，为精准农业提供技术支持。项目目标构建一个基于YOLOv10的杂草检测模型，能够准确识别五种常见杂草。提供高效的杂草检测解决方案，帮助农民或农业机器人实现自动化杂草管理。

2025-05-02 15:15:59 482

原创基于深度学习YOLOv10的裂缝检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景裂缝检测在建筑结构健康监测、道路维护、桥梁安全评估等领域具有重要意义。传统的裂缝检测方法依赖于人工检查或简单的传感器检测，效率较低且容易受到环境干扰。基于深度学习的目标检测技术能够自动、高效地识别裂缝，并在复杂背景下提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的裂缝检测系统。系统能够实时检测图像或视频中的裂缝，并输出检测结果。通过训练和优化模型，系统能够在复杂背景下准确识别裂缝，满足建筑结构健康监测和基础设施维护的需求。技术栈。

2025-05-02 14:23:50 317

原创基于深度学习YOLOv10的吸烟喝水手机检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景在公共场所、办公环境或特定场景（如考场、会议室）中，检测吸烟、喝水或使用手机等行为对于维护秩序、保障安全或提高工作效率具有重要意义。传统的行为检测方法依赖于人工监控或简单的传感器检测，效率较低且容易出错。基于深度学习的目标检测技术能够自动、高效地识别这些行为，并在实时监控中提供准确的检测结果。项目目标本项目旨在利用深度学习技术（如 YOLOv10），构建一个高效、准确的吸烟、喝水、手机检测系统。系统能够实时检测图像或视频中的吸烟、喝水或使用手机行为，并输出检测结果。

2025-04-29 23:10:49 766

原创基于深度学习YOLOv10的红细胞、白细胞和血小板检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景红细胞检测在医学诊断、血液分析和疾病监测中具有重要意义。传统的红细胞检测方法依赖于显微镜观察或流式细胞术，效率较低且需要专业人员操作。基于深度学习的目标检测技术能够自动识别红细胞、白细胞和血小板，并在复杂背景下提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的红细胞检测系统。系统能够实时检测图像中的红细胞（RBC）、白细胞（WBC）和血小板（Platelets），并输出检测结果。

2025-04-29 23:08:38 941

原创基于深度学习YOLOv10的3D打印缺陷检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景3D 打印技术在制造业、医疗、建筑等领域的应用日益广泛，但打印过程中容易出现缺陷（如拉丝、麻点、粘连等），影响产品质量。传统的缺陷检测方法依赖于人工检查或简单的传感器检测，效率较低且容易出错。基于深度学习的目标检测技术能够自动、高效地识别 3D 打印缺陷，并在实时监控中提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的 3D 打印缺陷检测系统。系统能够实时检测图像或视频中的 3D 打印缺陷，并输出检测结果。

2025-04-29 23:06:23 452

原创基于深度学习YOLOv10的条形码检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景条形码检测在零售、物流、仓储管理等领域具有重要意义。传统的条形码检测方法通常依赖于专用扫描设备或人工检查，效率较低且难以应对复杂场景（如遮挡、模糊、光照不均等）。基于深度学习的目标检测技术能够自动、高效地识别条形码，并在复杂背景下提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的条形码检测系统。系统能够实时检测图像或视频中的条形码，并输出检测结果。通过训练和优化模型，系统能够在复杂背景下准确识别条形码，满足零售、物流和仓储管理的需求。技术栈。

2025-04-29 23:02:00 578

原创基于深度学习YOLOv10的水下鱼类检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景水下鱼类识别在海洋生态研究、渔业资源管理、水产养殖等领域具有重要意义。传统的水下鱼类识别方法依赖于人工观察或声呐技术，效率较低且容易受到水下环境的干扰。基于深度学习的目标检测技术能够自动识别鱼类，并在复杂水下环境中提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的水下鱼类识别系统。系统能够实时检测图像或视频中的鱼类，并输出检测结果。通过训练和优化模型，系统能够在复杂水下环境中准确识别鱼类，满足海洋生态研究和渔业资源管理的需求。技术栈。

2025-04-29 22:55:36 514

原创基于深度学习YOLOv10的船舶类型识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景船舶识别与检测在海洋交通管理、港口监控、渔业管理、海上救援等领域具有重要意义。传统的船舶识别方法依赖于雷达或人工观察，效率较低且容易受到环境干扰。基于深度学习的目标检测技术能够自动识别船舶类型，并在复杂海况下提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的船舶识别检测系统。系统能够实时检测图像或视频中的船舶，并识别其类型（如货船、油轮、游艇等）。通过训练和优化模型，系统能够在复杂海况下准确识别船舶，满足海洋交通管理和监控的需求。技术栈。

2025-04-29 22:52:42 975

原创基于深度学习YOLOv10的设备泄漏检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景在工业设备运行过程中，油液泄漏是常见但危害严重的问题，可能导致设备损坏、生产停滞甚至安全事故。传统的泄漏检测方法通常依赖于人工巡检或传感器监测，效率较低且难以实时发现泄漏。基于深度学习的目标检测技术能够自动、高效地识别设备泄漏，并在实时监控中提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的设备泄漏检测系统。系统能够实时检测图像或视频中的油液泄漏区域，并输出检测结果。通过训练和优化模型，系统能够在复杂背景下准确识别泄漏，满足工业设备监控和维护的需求。

2025-04-29 22:49:05 1009

原创基于深度学习YOLOv10的石油泄漏检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景石油泄漏是环境监测和工业安全中的重要问题，可能对生态系统、人类健康和经济造成严重影响。传统的石油泄漏检测方法通常依赖于人工巡检或传感器监测，效率较低且难以覆盖大面积区域。基于深度学习的目标检测技术能够自动、高效地识别石油泄漏，并在实时监控中提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的石油泄漏检测系统。系统能够实时检测图像或视频中的石油泄漏区域，并输出检测结果。通过训练和优化模型，系统能够在复杂背景下准确识别石油泄漏，满足环境监测和工业安全的需求。

2025-04-29 22:45:18 704

原创基于深度学习的数字识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景数字识别是计算机视觉领域的一个重要任务，广泛应用于车牌识别、手写数字识别、工业自动化、文档处理等场景。传统的数字识别方法依赖于特征工程和模板匹配，难以应对复杂场景下的识别需求。基于深度学习的目标检测技术能够自动学习数字的特征，并在复杂背景下实现高精度的识别。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的数字识别系统。系统能够实时检测图像或视频中的数字（0-9），并输出检测结果。通过训练和优化模型，系统能够在复杂背景下准确识别数字，满足实际应用需求。技术栈。

2025-04-28 22:45:57 678

原创基于深度学习的手机检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

项目背景随着智能手机的普及，手机检测在多个场景中变得尤为重要，例如考场监控、会议室管理、公共场所的安全监控等。传统的手机检测方法通常依赖于人工检查或简单的传感器检测，效率较低且容易出错。基于深度学习的目标检测技术能够自动、高效地识别手机，并在实时场景中提供准确的检测结果。项目目标本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的手机检测系统。系统能够实时检测图像或视频中的手机，并输出检测结果。通过训练和优化模型，系统能够在复杂背景下准确识别手机，满足实际应用需求。技术栈。

2025-04-28 22:43:25 900

原创基于深度学习的车辆类型检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

YOLOv10七种车辆类型检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测和分类七种不同类型的车辆。tiny-car（小型汽车）mid-car（中型汽车）big-car（大型汽车）small-truck（小型卡车）big-truck（大型卡车）oil-truck（油罐车）和special-car（特种车辆）。通过该系统，用户可以实时监控道路上的车辆类型分布，适用于交通管理、智能安防、物流监控等场景，准确率99.1%。

2025-04-28 22:40:08 1051

原创基于深度学习的无人机检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

YOLOv10无人机识别检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测和识别无人机（drone该系统能够自动识别并定位无人机，适用于空域监控、无人机管理、安防监控等场景。通过该系统，用户可以实时检测无人机的存在和位置，帮助维护空域安全、防止非法无人机入侵，并为无人机管理提供技术支持。该系统在空域安全、安防监控、无人机管理等领域具有广泛的应用前景，能够为用户提供高效、准确的无人机检测解决方案。目录一、项目介绍。

2025-04-28 22:35:53 903

原创基于深度学习的奶牛行为检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

YOLOv10奶牛行为检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测奶牛的行为状态。站立行走和卧倒。通过该系统，用户可以实时监控奶牛的行为状态，帮助养殖场管理者优化奶牛的健康管理、提高生产效率，并为动物福利提供数据支持。该系统在智能养殖、动物行为研究、畜牧业管理等领域具有广泛的应用前景，能够为用户提供高效、准确的奶牛行为检测解决方案。数据集名称: 奶牛行为检测数据集数据集类别: 3类类别名称。

2025-04-28 22:33:48 821

原创基于深度学习的食物检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

YOLOv10过敏原食品检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测和识别含有常见过敏原的食品。该系统能够自动识别30种常见过敏原食品，包括坚果、乳制品、蛋类、特定水果等，并将其分类为相应的类别。通过该系统，用户可以快速识别食品中的过敏原成分，帮助过敏人群避免摄入可能引发过敏反应的食物，提升食品安全管理水平。

2025-04-28 22:31:30 616

原创基于深度学习的树上苹果检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

YOLOv10树上苹果检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测树上的苹果。该系统能够自动识别并定位树上的苹果（Apples），适用于果园管理、自动化采摘、产量预估等场景。通过该系统，用户可以快速检测树上苹果的数量和位置，优化果园管理流程，提高采摘效率，并为产量预估提供数据支持。

2025-04-27 22:27:30 658

原创基于深度学习的苹果腐烂检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

基于深度学习的苹果腐烂检测系统是一个专注于检测苹果腐烂状态的智能系统，采用先进的深度学习技术（如YOLOv10或其他目标检测算法）实现高精度检测。该系统能够自动识别并定位腐烂的苹果（damaged_apple），适用于果园管理、水果分拣、食品质量检测等场景。通过该系统，用户可以快速识别腐烂苹果，减少人工检测成本，提高水果分拣效率和质量控制水平。

2025-04-27 22:24:20 936

原创基于深度学习的苹果新鲜度检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

YOLOv10苹果检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测和分类苹果的状态。该系统能够自动识别苹果并将其分类为两类：apple（正常苹果）和 damaged_apple（受损苹果）。通过该系统，用户可以快速检测苹果的质量状态，适用于果园采摘、水果分拣、质量检测等场景，帮助提高生产效率并减少人工成本。

2025-04-27 22:18:32 1024

原创基于深度学习的冰箱内食物检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

YOLOv10冰箱内部成分检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测和识别冰箱内部的多种食物成分。该系统能够自动识别冰箱中的30种常见食物，包括水果、蔬菜、肉类、乳制品、调味品等，并将其分类为相应的类别。通过该系统，用户可以实时了解冰箱内食物的存储情况，优化食物管理，减少浪费，并提升生活便利性。

2025-04-27 21:43:28 481

原创基于深度学习的生菜周期检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

YOLOv10生菜生长周期检测系统是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测和分类生菜在不同生长阶段的生长状态。该系统能够自动识别生菜的生长周期，并将其分类为五个不同的类别：Ready（成熟）、empty_pod（空荚）、germination（发芽）、pod（荚果）和 young（幼苗）。通过该系统，用户可以实时监控生菜的生长状态，优化种植管理，提高农业生产效率。

2025-04-27 21:35:10 806

原创基于深度学习的大豆检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本研究开发了一种基于YOLOv10的大豆检测系统，专注于检测单一类别：soybean（大豆）。该系统旨在实现对大豆的快速、准确检测，适用于农业自动化、产量评估和质量控制等场景。YOLOv10作为一种高效的目标检测模型，能够在保证高精度的同时实现实时处理。本研究通过构建包含大豆图像的数据集，训练并优化YOLOv10模型，最终在测试集上取得了较高的检测精度。该系统为大豆种植和管理的自动化提供了可靠的技术支持。

2025-04-27 21:26:49 604

原创基于深度学习的鸡检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

rooster（鸡）。该系统旨在实现对鸡的实时检测和跟踪，适用于养殖场管理、行为研究等场景。YOLOv10作为一种高效的目标检测模型，能够在保证高精度的同时实现实时处理。本研究通过构建包含鸡图像的数据集，训练并优化YOLOv10模型，最终在测试集上取得了较高的检测精度。此外，结合跟踪算法（如DeepSORT或ByteTrack），系统能够实现对鸡的连续跟踪，为养殖场自动化管理提供了技术支持。数据集配置文件data.yamlnc: 2。

2025-04-27 00:04:04 626

原创基于深度学习的花生种子霉变检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本研究利用YOLOv10模型进行花生种子霉变检测，旨在实现对花生种子质量的自动化、高效检测。花生种子在储存过程中易受霉菌侵害，导致霉变，影响其发芽率和食用安全。传统检测方法依赖人工判断，效率低且主观性强。基于深度学习的目标检测技术，尤其是YOLOv10模型，能够在保证高精度的同时实现实时检测。本研究通过构建包含大量标注数据的花生种子数据集，训练并优化YOLOv10模型，最终在测试集上取得了较高的检测精度，精度99.5%，为花生种子质量检测提供了一种高效的解决方案。目录一、项目介绍二、项目功能展示系统功能。

2025-04-27 00:01:25 986

第20章偏微分方程的数值解.pdf

第20章偏微分方程的数值解

2024-05-14

数学建模的29个通用模型及matlab解法.zip

第01章线性规划。第02章整数规划第03章非线性规划第04章动态规划第05章图与网络第06章排队论第07章对策论第08章层次分析法第09章插值与拟合第10章数据的统计描述和分析第11章方差分析第12章回归分析第13章微分方程建模第14章稳定状态模型第15章常微分方程的解法第16章差分方程模型第17章马氏链模型第18章变分法模型第19章神经网络模型第20章偏微分方程的数值解第21章目标规划第22章模糊数学模型第23章现代优化算法第24章时间序列模型第25章存贮论第26章经济与金融中的优化问题第27章生产与服务运作管理中的优化问题第28章灰色系统理论及其应用第29章多元分析第30章偏最小二乘回归

2024-05-14

yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件

支持['bird','cat', 'cow', 'dog', 'horse', 'sheep']6种动物的检测 yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件支持['bird','cat', 'cow', 'dog', 'horse', 'sheep']6种动物的检测 yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件支持['bird','cat', 'cow', 'dog', 'horse', 'sheep']6种动物的检测 yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件支持['bird','cat', 'cow', 'dog', 'horse', 'sheep']6种动物的检测 yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件

2024-05-09

Squeezed Edge YOLO：边缘设备上的板载对象检测

由于其在自主导航中的关键作用，对高效车载物体检测的需求正在增加。然而，由于 YOLO 等资源受限的边缘设备上的计算要求很高，因此在此类模型上部署此类检测模型具有挑战性。本文研究了一种名为Squeezed Edge YOLO的压缩目标检测模型。该模型被压缩和优化为千字节的参数，以适应此类边缘设备的板载。为了评估 Squeezed Edge YOLO，使用了两个用例 - 人体和形状检测 - 来展示模型的准确性和性能。此外，该模型还部署在具有 8 个 RISC-V 内核的 GAP8 处理器和具有 4GB 内存的 NVIDIA Jetson Nano 上。实验结果表明，Squeezed Edge YOLO模型尺寸优化了8倍，能效提高了76%，整个过程提高了3.3倍。

2024-04-11

奥地利自动驾驶深度学习视觉模型YOLO和DETR的首次定性观察

本研究探讨了单阶段和两阶段二维目标检测算法的应用，如你只看一次（YOLO）、实时设计模型（RT-DETR）算法在自动物体检测中的应用，以提高奥地利道路上自动驾驶的道路安全性。YOLO算法是一种最先进的实时物体检测系统，以其效率和准确性而闻名。在驾驶环境中，其快速识别和跟踪物体的潜力对于高级驾驶辅助系统（ADAS）和自动驾驶汽车至关重要。该研究的重点是奥地利的道路状况和交通情况带来的独特挑战。该国多样化的景观、不同的天气条件和特定的交通法规需要一种量身定制的方法来进行可靠的物体检测。该研究利用了一个选择性数据集，包括在奥地利道路上拍摄的图像和视频，包括城市、农村和高山环境。

2024-04-11

使用YOLO从SDSS图像中检测到边缘低表面亮度星系候选星系

低表面亮度星系（LSBG）是星系群中较暗的成员，被认为是众多的。然而，由于它们的表面亮度低，寻找广域LSBGs样本是困难的，这反过来又限制了我们充分了解星系的形成和演化以及星系关系的能力。边缘LSBG由于其独特的方向，为研究星系结构和星系成分提供了极好的机会。在这项工作中，我们利用You Only Look Once目标检测算法，通过在斯隆数字巡天（SDSS）中训练281个边缘LSBG来构建边缘LSBG检测模型gri-波段合成图像。该模型在测试集上的召回率为94.64%，纯度为95.38%。我们搜索了 938,046gri来自 SDSS 数据发布 16 的波段图像，发现了 52,293 个候选 LSBG。为了提高候选LSBG的纯度并减少污染，我们采用了深度支持向量数据描述算法来识别候选样品中的异常。最终，我们编制了一个包含 40,759 个边缘 LSBG 候选药物的目录。该样本与训练数据集具有相似的特征，主要由蓝色边缘的 LSBG 候选者组成。该目录可通过此 https URL 在线获取。

2024-04-11

yolo使用TomFormer及早准确检测番茄叶病

番茄叶病对番茄种植者构成了重大挑战，导致作物产量大幅下降。及时准确地识别番茄叶病对于成功实施病害管理策略至关重要。本文介绍了一种基于变压器的模型，称为TomFormer，用于番茄叶病检测。该论文的主要贡献包括以下几点：首先，我们提出了一种检测番茄叶病的新方法，即采用结合视觉转换器和卷积神经网络的融合模型。其次，我们的目标是将我们提出的方法应用于Hello Stretch机器人，以实现番茄叶病的实时诊断。第三，我们通过将我们的方法与 YOLOS、DETR、ViT 和 Swin 等模型进行比较来评估我们的方法，证明其能够实现最先进的结果。为了进行实验，我们使用了三个番茄叶病数据集，即 KUTomaDATA、PlantDoc 和 PlanVillage，其中 KUTomaDATA 是从阿联酋阿布扎比的一个温室收集的。最后，我们对模型的性能进行了全面分析，并彻底讨论了我们方法固有的局限性。TomFormer 在 KUTomaDATA、PlantDoc 和 PlantVillage 数据集上表现良好，平均准确率（mAP）得分分别为 87%、81% 和 83%。mAP的比较结果表明，我们的方法

2024-04-11

具有混合注意力特征金字塔网络的YOLO算法，用于焊点缺陷检测

传统的人工检测焊点缺陷在工业生产中不再适用，因为效率低、评估不一致、成本高、缺乏实时数据。针对工业场景表面贴装技术中焊点缺陷检测精度低、误检率高、计算成本高等问题，提出了一种新的方法。所提出的解决方案是专门为焊点缺陷检测算法设计的混合注意力机制，通过提高精度同时降低计算成本来改善制造过程中的质量控制。混合注意力机制包括一种增强的多头自注意力和协调注意力机制，增加了注意力网络感知上下文信息的能力，并增强了网络特征的利用范围。坐标注意力机制增强了不同通道之间的连接，减少了位置信息丢失。混合注意力机制增强了网络感知远距离位置信息和学习局部特征的能力。改进后的算法模型对焊点缺陷检测具有较好的检测能力，mAP达到91.5%，比“只看一次”第5版算法高4.3%，优于其他对比算法。与其他版本相比，平均平均精度、精度、召回率和每秒帧数指标也有所改进。在满足实时检测要求的同时，可以提高检测精度。

2024-04-11

DiffYOLO：通过YOLO和扩散模型进行抗噪声目标检测

以YOLO系列为代表的目标检测模型得到了广泛的应用，并在高质量的数据集上取得了很好的成绩，但并不是所有的工作条件都是理想的。为了解决在低质量数据集上定位目标的问题，现有方法要么训练新的目标检测网络，要么需要大量低质量数据集进行训练。然而，我们在本文中提出了一个框架，并将其应用于称为 DiffYOLO 的 YOLO 模型。具体来说，我们从去噪扩散概率模型中提取特征图，以增强训练有素的模型，这使我们能够在高质量数据集上微调YOLO，并在低质量数据集上进行测试。结果证明，该框架不仅可以证明在噪声数据集上的性能，还可以证明在高质量测试数据集上的检测结果。我们稍后将补充更多的实验（使用各种数据集和网络架构）。

2024-04-11

YOLOv7无人机实时探测人体

计算机视觉和遥感中最重要的问题之一是物体检测，它可以识别图片中不同事物的特定类别。公共安全的两个关键数据来源是无人驾驶飞行器（UAV）产生的热红外（TIR）遥感多场景照片和视频。由于目标尺度小，场景信息复杂，相对于可观看视频的分辨率较低，并且缺乏公开可用的标记数据集和训练模型，因此其目标检测过程仍然很困难。本研究提出了一种用于图片和视频的UAV TIR目标检测框架。用于收集地面TIR照片和视频的前视红外（FLIR）相机用于创建基于CNN架构的“你只看一次”（YOLO）模型。结果表明，在验证任务中，使用YOLOv7（YOLO版本7）最先进的模型\cite{1}，检测人体的平均精度为IOU（Intersection over Union）= 0.5，为72.5%，而检测速度约为161帧/秒（FPS/秒）。该应用展示了YOLO架构的实用性，该应用根据YOLOv7模型从各种无人机的观察角度评估了无人机TIR视频中人员的交叉检测性能。本工作对使用深度学习模型的TIR图片和视频目标检测进行定性和定量评估得到了有利的支持。

2024-04-11

使用 YOLO 对牛栏编号进行分类

本文介绍了CowStallNumbers数据集，该数据集是从奶牛视频中提取的图像集合，旨在推进奶牛摊位数量检测领域。该数据集包括 1042 张训练图像和 261 张测试图像，摊位数范围为 0 到 60。为了增强数据集，我们对YOLO模型进行了微调，并应用了数据增强技术，包括随机裁剪、中心裁剪和随机旋转。实验结果表明，识别失速数的准确率为95.4%。

2024-04-11

YOLO-Former：YOLO与ViT握手

所提出的YOLO-Former方法将Transformer和YOLOv4的思想无缝集成，创建了一个高精度、高效率的目标检测系统。该方法利用了 YOLOv4 的快速推理速度，并通过集成卷积注意力和 transformer 模块，融合了 transformer 架构的优势。结果验证了所提方法的有效性，在Pascal VOC数据集上的平均精度（mAP）为85.76\%，同时保持了较高的预测速度，帧速率为每秒10.85帧。这项工作的贡献在于展示了这两种最先进技术的创新组合如何导致目标检测领域的进一步改进。

2024-04-11

使用 YOLOv7 和 ESRGAN 改进坑洼检测

坑洼是常见的道路危险，会对车辆造成损坏并给驾驶员带来安全风险。卷积神经网络（CNN）的引入在业界广泛用于基于深度学习方法的目标检测，并在硬件改进和软件实现方面取得了重大进展。在本文中，提出了一种独特的更好算法，以保证使用低分辨率相机或低分辨率图像和视频源，通过超分辨率生成对抗网络（SRGAN）使用超分辨率（SR）进行自动坑洼检测。然后，我们继续使用 You Only Look Once （YOLO）网络（即 YOLOv7 网络）在低质量和高质量行车记录仪图像上建立基线坑洼检测性能。然后，我们说明并检查了在对低质量图像进行放大实施后，在基准之上获得的速度和准确性。

2024-04-11

基于YOLO的动态序列匹配模型，实现高效的无覆盖图像隐写

许多现有的无封面隐写术方法在封面图像和隐藏数据之间建立了映射关系。存在一个问题，即存储在数据库中的图像数量会随着隐写能力的增加而呈指数增长。对高隐写能力的需求使得构建图像数据库具有挑战性。为了提高隐写系统的图像库利用率和抗攻击能力，我们提出了一种基于动态匹配子串的高效无覆盖方案。YOLO用于选择最优对象，并在这些对象和加扰因子之间建立映射字典。借助该字典，每个图像都被有效地分配给特定的加扰因子，该因子用于加扰接收器的序列键。为了在有限的图像库中实现足够的隐写能力，加扰序列的所有子串都具有隐藏数据的潜力。完成秘密信息匹配后，将从数据库中获得理想数量的stego图像。实验结果表明，该技术在数据负载、传输安全性、隐藏能力等方面优于以往大多数工作。在典型的几何攻击下，它平均可以恢复79.85%的秘密信息。此外，只需要大约 200 个随机图像即可满足每个图像 19 位的容量。

2024-04-11

基于深度学习的综合感知与通信系统中的目标-用户关联

在集成传感和通信（ISAC）系统中，将雷达目标与通信用户设备（UE）相匹配可用于多种通信任务，例如主动切换和波束预测。在本文中，我们考虑了一种雷达辅助通信系统，其中基站（BS）配备了具有双重目标的多输入多输出（MIMO）雷达：（i）将车载雷达目标与通信波束空间中的车载设备（VE）相关联，以及（ii）根据雷达数据预测每个VE的波束成形矢量。建议的目标用户（T2U）关联包括两个阶段。首先，从距角图像中检测车辆雷达目标，并估计每个目标的波束成形矢量。然后，将推断出的每目标波束成形矢量与BS上用于通信的波束成形矢量进行匹配，以执行目标到用户（T2U）关联。通过修改“只看一次”（YOLO）模型，在模拟的距离角度雷达图像上进行训练，从而获得联合多目标检测和波束推理。不同城市车辆出行情景下的仿真结果表明，所提T2U方法提供了随BS天线阵列尺寸增加而增加的正确关联概率，突出了波束空间中VE可分离性的相应增加。此外，我们表明，改进后的YOLO架构可以有效地进行波束预测和雷达目标检测，在不同天线阵列尺寸下，后者的平均精度相似。

2024-04-11

使用基于YOLO的学习方法对农业进行实时目标检测和机器人操作

优化普通种植作物的作物收获过程对于农业产业化的目标具有重要意义。如今，机器视觉的利用使农作物的自动识别成为可能，从而提高了收割效率，但挑战仍然存在。本研究提出了一个新框架，该框架结合了卷积神经网络（CNN）的两个独立架构，以便在模拟环境中同时完成作物检测和收获（机器人操作）的任务。模拟环境中的裁剪图像会进行随机旋转、裁剪、亮度和对比度调整，以创建用于数据集生成的增强图像。“你只看一次”算法框架与传统的矩形边界框一起使用，用于作物定位。随后，所提出的方法通过视觉几何组模型利用获取的图像数据，以揭示机器人操作的抓取位置。

2024-04-11

YOLO-World：实时开放词汇对象检测

You Only Look Once （YOLO）系列探测器已成为高效实用的工具。但是，它们对预定义和训练对象类别的依赖限制了它们在开放场景中的适用性。为了解决这一局限性，我们引入了 YOLO-World，这是一种创新方法，通过视觉语言建模和大规模数据集的预训练，增强了 YOLO 的开放词汇检测功能。具体而言，我们提出了一种新的可重新参数化的视觉-语言路径聚合网络（RepVL-PAN）和区域-文本对比损失，以促进视觉和语言信息之间的交互。我们的方法擅长以零射程、高效率检测各种物体。在具有挑战性的 LVIS 数据集上，YOLO-World 在 V100 上以 52.0 FPS 实现了 35.4 AP，在准确性和速度方面都优于许多最先进的方法。此外，经过微调的 YOLO-World 在多个下游任务上取得了出色的性能，包括对象检测和开放词汇实例分割。

2024-04-11

基于YOLO的红外小目标检测范式

在计算机视觉中，检测红外图像中从小到小的目标是一项具有挑战性的任务，尤其是在将这些目标与嘈杂或有纹理的背景区分开来时。与分割神经网络相比，YOLO 等传统目标检测方法难以检测微小目标，导致检测小目标时性能较弱。为了在保持高检测率的同时减少误报的数量，我们引入了反之亦然YOLO检测器训练的决策标准。后者利用了出乎意料的小目标，以区分他们与复杂背景。将这一统计标准添加到YOLOv7-tine中，弥合了用于红外小目标检测和目标检测网络的最先进的分割方法之间的性能差距。它还显著提高了YOLO在少镜头设置下的鲁棒性。

2024-04-11

使用YOLO v7在磁共振成像中检测肾脏

简介本研究探讨了使用最新的 You Only Look Once （YOLO V7）物体检测方法，通过训练和测试医学图像格式上的改进 YOLO V7，来增强医学成像中的肾脏检测。方法研究纳入878例肾细胞癌（RCC）不同亚型患者和206例肾脏正常患者。共检索到1084例患者的5657次MRI扫描。从回顾性维护的数据库中招募了 326 名患者，涉及 1034 个肿瘤，并在他们的肿瘤周围绘制了边界框。在 80% 的注释案例上训练了主要模型，其中 20% 用于测试（主要测试集）。然后使用最佳主要模型来识别其余 861 名患者的肿瘤，并使用该模型在他们的扫描中生成边界框坐标。创建了 10 个基准训练集，其中包含未分段患者的生成坐标。用于预测主要测试集中肾脏的最终模型。我们报告了阳性预测值（PPV）、灵敏度和平均精密度（mAP）。结果初级训练集的平均PPV为0.94 +/- 0.01，灵敏度为0.87 +/- 0.04，mAP为0.91 +/- 0.02。最佳主要模型的 PPV 为 0.97，灵敏度为 0.92，mAP 为 0.95。最终模型的平均 PPV 为 0.95 +/- 0.03

2024-04-11

YOLO-CIANNA：在无线电数据中进行深度学习的星系检测 I. 一种受YOLO启发的新型源检测方法应用于SKAO SDC1

即将到来的平方公里阵列（SKA）将为天文仪器产生的数据量设定一个新标准，这可能会挑战广泛采用的数据分析工具，这些工具无法与数据大小进行充分扩展。本研究旨在通过应用现代深度学习目标检测技术，为海量射电天文数据集开发一种新的源检测和表征方法。这些方法已经证明了它们在复杂的计算机视觉任务中的效率，我们试图确定它们在应用于天文数据时的具体优势和劣势。我们介绍了YOLO-CIANNA，这是一款专为天文数据集设计的高度定制的深度学习目标探测器。本文介绍了该方法，并描述了解决射电天文图像特定挑战所需的所有低级适应。我们使用来自 SKAO SDC1 数据集的模拟 2D 连续体图像演示了这种方法的功能。我们的方法优于特定 SDC1 数据集上所有其他已发表的结果。使用 SDC1 指标，我们将挑战获胜分数提高了 +139\%，将唯一其他挑战后参与的分数提高了 +61\%。我们的目录的检测纯度为 94%，同时检测的来源比以前的最高分结果多 40 至 60%。经过训练的模型还可以强制在后处理中达到 99% 的纯度，并且仍然比其他高分方法多检测 10% 到 30% 的来源。它还能够实时检测，在单个 GPU 上每秒

2024-04-11

深度学习国际象棋游戏数据集

数据集介绍数据介绍这是从Lichess.org网站上的精选用户那里收集的20,000多个游戏的集合，以及如何收集更多游戏。将来，我还会收集更多游戏。内容范围游戏编号；额定（T / F）；开始时间; 时间结束; 转弯数量; 游戏状态；优胜者; 时间增量；白色玩家编号；白人球员等级；黑人玩家ID；黑人球员等级；标准象棋符号的所有动作；开放的生态（任何给定开口的标准化代码，在此处列出）；开幕名称；开启层（开启阶段的移动次数）探索方向单个国际象棋游戏中包含许多信息，更不用说多个游戏的完整数据集了。它主要是一种模式游戏，而数据科学就是要检测数据模式，这就是为什么国际象棋是过去在AI领域投入最多的原因之一。该数据集收集了20,000个游戏中可用的所有信息，并以易于处理的格式进行了分析，例如，分析了允许玩家以黑白棋获胜的方式，多少元（游戏外）影响游戏的因素，黑白与空缺与胜利之间的关系等等。

2024-07-31

深度学习行人检测数据集

行人检测的图片，内置10000张行人图像，1000张骑自行车图像，1000张骑车图像。

2024-07-31

Kolektor：表面缺陷数据集

该数据集是Kolektor Group收集并标注的电子换向器缺陷数据集。数据集中包含了50种编写的电子换向器，每种有8张图片以及其语义分割的label。图像的大小为500×1240像素。数据集介绍该数据集是Kolektor Group收集并标注的电子换向器缺陷数据集。数据集中包含了50种编写的电子换向器，每种有8张图片以及其语义分割的label。图像的大小为500×1240像素。数据集包括： 399幅图片：52幅可见缺陷图像、347幅图像无任何缺陷尺寸的原始图像：宽度：500 px，高度：1240至1270 px 对于训练和评估，图像应该调整到512 x 1408 px。对于每个项目，缺陷仅在至少一个图像中可见，而两个项目在两个图像上有缺陷，这意味着有52个图像中的缺陷是可见的。其余347幅图像作为无缺陷表面的负面例子.

2024-07-31

TA关注的人

第20章 偏微分方程的数值解.pdf

数学建模的29个通用模型及matlab解法.zip

yolo猫狗识别数据集，YOLO动物识别数据集，包括训练好的yolov5模型，包含几千张jpg和对应的txt文件

Squeezed Edge YOLO：边缘设备上的板载对象检测

奥地利自动驾驶深度学习视觉模型YOLO和DETR的首次定性观察

使用YOLO从SDSS图像中检测到边缘低表面亮度星系候选星系

yolo使用TomFormer及早准确检测番茄叶病

具有混合注意力特征金字塔网络的YOLO算法，用于焊点缺陷检测

DiffYOLO：通过YOLO和扩散模型进行抗噪声目标检测

YOLOv7无人机实时探测人体

使用 YOLO 对牛栏编号进行分类

YOLO-Former：YOLO与ViT握手

使用 YOLOv7 和 ESRGAN 改进坑洼检测

基于YOLO的动态序列匹配模型，实现高效的无覆盖图像隐写

基于深度学习的综合感知与通信系统中的目标-用户关联

使用基于YOLO的学习方法对农业进行实时目标检测和机器人操作

YOLO-World：实时开放词汇对象检测

基于YOLO的红外小目标检测范式

使用YOLO v7在磁共振成像中检测肾脏

YOLO-CIANNA：在无线电数据中进行深度学习的星系检测 I. 一种受YOLO启发的新型源检测方法应用于SKAO SDC1

深度学习 国际象棋游戏数据集

深度学习行人检测数据集

Kolektor：表面缺陷数据集

第25章 存贮论.pdf

第30章 偏最小二乘回归.pdf

第28章 灰色系统理论及其应用.pdf

第21章 目标规划.pdf

第23章 现代优化算法.pdf

第19章 神经网络模型.pdf

第16章 差分方程模型.pdf

第13章 微分方程建模.pdf

第12章 回归分析.pdf

第14章 稳定状态模型.pdf

第11章 方差分析.pdf

第07章 对策论.pdf

第08章 层次分析法.pdf

第09章 插值与拟合.pdf

第04章 动态规划.pdf

第06章 排队论.pdf

第05章 图与网络.pdf

C++开发实用教程最好的

第20章偏微分方程的数值解.pdf

深度学习国际象棋游戏数据集

第25章存贮论.pdf

第30章偏最小二乘回归.pdf

第28章灰色系统理论及其应用.pdf

第21章目标规划.pdf

第23章现代优化算法.pdf

第19章神经网络模型.pdf

第16章差分方程模型.pdf

第13章微分方程建模.pdf

第12章回归分析.pdf

第14章稳定状态模型.pdf

第11章方差分析.pdf

第07章对策论.pdf

第08章层次分析法.pdf

第09章插值与拟合.pdf

第04章动态规划.pdf

第06章排队论.pdf

第05章图与网络.pdf