- 博客(88)
- 收藏
- 关注
RSS订阅原创 AAttn区域注意力机制改进YOLOv26特征感知与表达能力提升
本文提出了一种基于区域注意力机制(AAttn)的YOLOv26改进方法，通过多头区域注意力增强模型的特征感知能力。AAttn模块采用轻量化设计，将特征图划分为多个区域并计算注意力权重，在COCO数据集上实现了1.3%的mAP提升。实验表明，该方法在密集目标检测场景表现优异，同时保持了较高的推理效率(128 FPS)。消融研究验证了4个注意力头的最佳平衡点，模型参数量仅增加16.7%的情况下显著提升了特征表达能力。
2026-03-13 17:46:37
531
原创 基于改进YOLO11-BiFPN的橡胶木横截面识别与分类方法
本文提出了一种改进的YOLO11-BiFPN算法用于橡胶木横截面识别与分类。通过引入自适应权重调整的BiFPN模块和多尺度损失函数，显著提升了模型对橡胶木横截面特征（如导管、纹理等）的检测精度。实验结果表明，改进算法在自建数据集上的mAP达到0.876，优于原始YOLO11等对比方法。消融实验验证了各改进模块的有效性，实际应用中系统识别准确率达92.3%，实现了高效自动化检测。该研究为木材质量评估提供了可靠的技术支持，未来可进一步扩展数据集和优化网络结构。
2026-02-07 11:15:00
704
原创 基于yolo13-C3k2-LFE的汽车生产线夹具状态识别系统
本文提出了一种基于改进YOLOv3的汽车生产线夹具状态识别系统。通过引入C3k2轻量模块和LFE注意力机制，在保持模型轻量化的同时提升了检测精度。实验表明，该系统mAP达到88.5%，推理时间仅15.3ms，相比基础YOLOv3性能提升显著。该系统已成功部署于汽车生产线，识别准确率达92.3%，检测效率提升5倍，实现了夹具状态的实时自动化监测。
2026-02-07 10:24:09
760
原创 香烟包装检测_YOLOv8_HAFB_1_目标识别实战
本文介绍了基于YOLOv8的香烟包装检测系统开发过程。项目使用HAFB_1数据集，包含5069张香烟包装图像，涵盖多个品牌，数据经过预处理和增强处理。YOLOv8模型采用CSPDarknet53骨干网络，结合PANet和FPN特征融合，通过100轮训练达到94%的mAP@0.5精度。系统优化后性能提升至96% mAP，推理速度提高15%，模型体积减小20%。该系统可应用于超市货架盘点、仓库管理和防盗监测等场景，显著提升工作效率。项目提供完整源码和预训练模型，采用CC BY 4.0许可协议，支持二次开发。未来
2026-02-06 14:18:19
740
原创 PointRend芯片中心定位与识别算法详解
PointRend算法在芯片热分析中的应用研究取得重要进展。该算法通过自适应采样策略和网络架构优化，实现了芯片中心定位误差仅3.2μm，热点识别准确率达94.7%。相比传统方法，温度分布预测误差降低30%，计算效率提升3倍。案例研究表明，该算法在高性能CPU和3D堆叠芯片的热管理中效果显著，最高温度降低12°C，热阻减少25%。未来将探索多模态融合等方向，为半导体热管理提供更强大支持。
2026-02-06 11:04:06
650
原创 智慧农业之胡萝卜病害检测与分类 RetinaNet模型详解 农作物图像识别 数据集
本文探讨了基于RetinaNet模型的胡萝卜病害智能检测方法。通过构建包含黑腐病、白绢病等病害类别的标注数据集，采用数据增强技术提升模型泛化能力。RetinaNet模型利用特征金字塔网络和Focal Loss解决样本不平衡问题，实现高效检测。实验采用复合损失函数和Adam优化器，通过监控mAP指标验证模型性能。该方法为农业病害智能检测提供了有效解决方案，有助于提高农作物产量和质量。
2026-02-06 09:57:20
660
原创 mask-rcnn_hrnetv2p-w32-1x_coco：腰果质量分级与缺陷检测的深度学习实践指南
本文介绍了一种基于Mask R-CNN和HRNetV2P-W32的深度学习系统，用于腰果质量分级与缺陷检测。系统通过实例分割精确识别腰果轮廓，评估完整度和表面缺陷（霉变、虫蛀等），将腰果分为A、B、C三个质量等级。实验表明，该系统在测试集上达到0.86 mAP、92%完整度检测准确率和89%缺陷识别率，处理速度达25 FPS。相比传统人工检测，效率提升10倍以上，成本降低60%。文章详细阐述了数据采集与增强、模型训练优化、系统部署方案及实际应用效果，为农产品质量检测提供了智能化解决方案。
2026-02-06 09:51:46
679
原创 工业纸板加工过程中的检测与识别_Cornernet_Hourglass104模型应用
本文研究了工业纸板加工中的检测与识别问题，提出结合CORNERNET和Hourglass104模型的解决方案。针对纸板检测面临的多样性、环境复杂性等挑战，CORNERNET通过角点预测机制实现精确定位，Hourglass104骨干网络则提供强大的特征提取能力。实验结果表明，该方法在精确率(0.94)、召回率(0.92)和mAP(0.90)上优于传统算法，满足工业场景对实时性和精度的要求。系统部署采用客户端-服务器架构，实现50FPS处理速度，为纸板自动化生产提供了有效的质量检测方案。
2026-02-05 18:11:26
571
原创 基于YOLO13-C3k2-IDWC的汽车损伤检测技术研究_1
本文提出了一种基于改进YOLO13的汽车损伤检测技术(YOLO13-C3k2-IDWC)，通过引入C3k2模块和IDWC模块增强特征提取能力。C3k2模块采用k-means聚类和通道注意力机制，IDWC模块通过自适应权重融合多尺度特征。在包含10000张图像的数据集上实验表明，改进模型在精确率(0.928)、召回率(0.903)和mAP(0.914)上均优于原始YOLO13等基准算法，同时保持38FPS的实时检测速度，为汽车损伤自动检测提供了有效解决方案。
2026-02-05 17:47:52
589
原创 YOLOv8-MAN-Faster电容器缺陷检测：七类组件识别与分类系统
本文介绍了一种基于YOLOv8-MAN-Faster框架的电容器缺陷检测系统，能够识别7类电容器组件（正常/破损电容器、环氧树脂异常、引脚/外壳变形、漏液和内部结构异常）。该系统采用改进的CIoU损失函数和多尺度注意力机制，在5000张标注图像数据集上训练，通过TensorRT加速和INT8量化实现实时检测，准确率达96.5%，比人工检测效率提升80%。系统已成功应用于生产线，可检测细微缺陷，未来计划扩展至其他电子元件检测领域。
2026-02-05 16:20:41
813
原创 YOLO11-EfficientRepBiPAN载重汽车轮胎热成像检测与分类_3
本文介绍了一种基于YOLO11-EfficientRepBiPAN的载重汽车轮胎热成像检测与分类系统。该系统采用创新的深度学习架构，结合EfficientRep模块和BiPAN特征融合技术，实现了高效的轮胎温度异常检测。模型通过轻量级设计（如深度可分离卷积和残差连接）在保持精度的同时降低计算复杂度，支持嵌入式设备实时运行（30帧/秒）。数据集包含5000张标注热成像图像，涵盖正常状态和多种异常情况。训练采用多阶段策略和AdamW优化器，最终检测准确率达92%以上，显著高于行业水平。该系统为交通运输行业提供了
2026-02-05 16:05:17
732
原创 基于Mask_RCNN的猫科动物目标检测识别模型实现与分析
本文探讨了基于Mask RCNN的猫科动物目标检测模型实现。文章首先分析了猫科动物检测在野生动物保护、智能安防等领域的重要性，详细介绍了Mask RCNN算法的原理和架构。通过公开数据集和预处理流程，构建了针对多种猫科动物的检测系统。实验结果显示模型平均mAP达0.82，但对小型猫科动物检测仍有提升空间。文章还讨论了实际部署中的挑战，并提出了多模态融合、模型轻量化等未来改进方向。该技术在野生动物监测、宠物行为分析等场景具有广泛应用前景。
2026-02-05 13:35:38
826
原创 基于RetinaNet的校园建筑物识别与分类系统研究_1
YOLO系列模型从v3到v13的进化历程展现了目标检测技术的快速发展。YOLOv3首次引入多尺度检测，v5优化了PyTorch实现，v8集成了Anchor-Free检测等创新设计。模型选择需根据应用场景：嵌入式设备推荐v3-tiny，高精度需求可选v8x。RetinaNet在校园建筑物识别中表现优异，通过Focal Loss解决样本不平衡问题，改进FPN实现多尺度检测。系统采用数据增强、多阶段训练策略，评估指标显示其精确率和召回率均表现良好。这些技术为计算机视觉应用提供了高效解决方案。
2026-02-04 22:01:18
513
原创 基于Faster RCNN的暴力行为检测模型优化与实现_1
本文提出了一种基于Faster R-CNN的暴力行为检测模型优化方法，通过引入PISA算法和改进的网络结构，显著提升了检测性能。实验结果表明，我们的模型在准确率和实时性方面都优于传统算法，具有较好的实用价值。多模态融合：结合音频信息，提高检测的鲁棒性。暴力行为通常伴随着特定的声音特征，如喊叫、撞击声等，融合这些信息可以进一步提高检测准确率。时空特征建模：利用视频的时序信息，构建3D卷积网络或循环网络，捕捉动作的动态特征。暴力行为是一个持续的过程，利用时序信息可以有效减少误检。无监督学习。
2026-02-04 20:25:50
600
原创 YOLO11-Seg+ContextGuided：智能交通流量估算与拥堵检测实战指南
本文提出了一种基于YOLO11-Seg和ContextGuided网络的智能交通监测系统。该系统通过融合目标检测、实例分割和上下文理解技术，实现了高精度的交通流量估算与拥堵检测。实验结果表明，该方法在mAP(0.91)、IoU(0.83)和拥堵检测准确率(92.4%)等指标上优于传统方法。系统采用边缘-云端协同架构，支持实时交通分析，已在北京市主干道部署应用，有效提升了交通管理效率。未来将结合多模态数据和强化学习进一步优化系统性能，推动智慧城市交通建设。
2026-02-04 18:51:07
651
原创 数字仪表LCD显示识别与读数：数字0-9、小数点及单位kwh检测识别实战
数字仪表识别技术结合计算机视觉与深度学习，实现仪表读数自动提取。面临外观差异、光照干扰等挑战，主流方法采用Mask R-CNN等模型完成检测、分割和识别任务。关键技术包括多尺度特征提取、目标检测分割、CRNN数字识别及后处理优化。该技术已应用于电表读数识别（含数字0-9、小数点和kwh单位），通过改进小目标检测、光照处理等方案提升准确率。未来将向轻量化、自适应学习等方向发展，推动工业自动化等领域智能化升级。
2026-02-04 17:19:22
733
原创 YOLO13-C3k2-FDConv：足球检测与定位的创新应用
本文介绍了一种基于改进YOLO架构的足球检测与定位算法——YOLO13-C3k2-FDConv。该算法通过引入C3k2模块和FDConv卷积，有效解决了传统算法在足球检测中的小目标检测、运动模糊等问题，在自建数据集上取得了84.1%的mAP，同时保持了较高的推理速度。未来，我们将继续优化算法性能，探索更多创新点，如结合Transformer架构增强长距离依赖建模能力，引入注意力机制提高对关键区域的关注等。我们相信，随着深度学习技术的不断进步，足球检测与定位技术将在体育分析领域发挥越来越重要的作用。
2026-02-04 15:51:15
717
原创 基于Grid-RCNN的食品包装盒检测实现与优化_1
本文提出基于Grid-RCNN改进的食品包装盒检测算法，针对传统Faster R-CNN在食品包装检测中的局限性进行优化。通过构建包含多种包装盒类型的数据集，采用网格点预测替代传统边界框回归，增强了形状表达能力。实验表明，改进算法在mAP指标上达到81.5%，较传统方法提升显著，特别是对小目标检测效果明显。研究还提出多尺度训练、数据增强和注意力机制等优化策略，进一步将性能提升至85.3%。该系统已成功应用于食品生产线，实现了包装盒的实时检测和质量控制。
2026-02-02 11:51:36
512
原创 基于sabl-faster-rcnn的机械零件缺陷检测与识别系统详解
在工业制造领域，机械零件的质量控制是确保产品可靠性的关键环节。😊 传统的质检方法主要依赖人工目检，不仅效率低下，而且容易受到主观因素的影响，导致漏检和误检。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工业质检的新趋势。👀本项目基于SABL-Faster R-CNN算法构建了一套机械零件缺陷检测与识别系统，能够自动识别零件表面常见的划痕、凹陷、裂纹等缺陷类型，并实现缺陷的定位和分类。💪 系统采用模块化设计，具有良好的可扩展性和实用性，为工业质检提供了一种高效、准确的解决方案。
2026-02-02 11:06:09
673
原创 基于改进Mask-RCNN的文化文物遗产识别与分类系统_1
本文介绍了一种基于改进Mask-RCNN算法的文化文物遗产智能识别与分类系统。系统采用模块化设计，包含数据管理、模型训练、推理识别和结果展示四大核心模块。针对文物图像的特点，系统在传统Mask-RCNN基础上引入了注意力机制和多尺度特征融合等改进策略，有效提升了模型对小目标文物和复杂背景的识别能力。通过专门设计的数据预处理流程和优化后的训练策略，系统能够高效处理各类文物图像，实现准确的识别分类。实验表明，该系统在文物识别任务中表现出色，为文化遗产保护提供了智能化解决方案。
2026-02-02 09:55:54
673
原创 木材横截面检测与测量：基于fsaf_x101-64x4d_fpn_1x_coco模型的实现
本文提出了一种基于fsaf_x101-64x4d_fpn_1x_coco模型的木材横截面缺陷检测方法。通过分析木材横截面的物理特性和纹理特征，建立了包含节疤、裂纹等常见缺陷的数据集。模型采用ResNeXt-101骨干网络和FPN特征金字塔结构，结合多尺度特征融合，实现了对微小缺陷的精确检测。实验结果表明，该方法在平均精度(mAP)达到0.832，其中对节疤和腐朽的检测效果最佳(F1分数0.90)。通过模型量化和剪枝优化，显著提升了推理速度，满足工业实时检测需求。未来将进一步优化模型对变色等细微缺陷的检测性能
2026-02-02 09:02:48
706
原创 基于Deformable-DETR的植物叶片病害检测
本文提出了一种基于Deformable-DETR的植物叶片病害检测方法。研究采用PlantVillage数据集，包含38,816张图像38个类别，经预处理后保留37,015张图像。模型引入可变形注意力机制，能自适应关注不同形状的病害区域。实验结果表明，该方法在mAP@0.5指标上达到0.823，优于Faster R-CNN、YOLOv5等基线模型。消融实验验证了可变形注意力机制的关键作用。该研究为农业病害监测提供了有效的自动检测方案，未来可结合多模态信息、轻量化设计等方向进一步优化。项目代码和资源已开源。
2026-02-01 20:16:13
564
原创 压接工具检测识别----RPN-R50-Caffe-C4模型训练与优化
本文介绍了基于RPN-R50-Caffe-C4模型的压接工具检测系统训练与优化方法。该模型结合ResNet-50骨干网络和C4特征金字塔结构，有效提升了工业场景下小目标检测性能。文章详细阐述了数据集准备、模型训练配置、损失函数设计等关键环节，重点分析了混淆矩阵、精确率、召回率、F1分数等评估指标。通过PR曲线和置信度分析，优化了模型在0.4-0.6置信度区间的综合性能。实验结果表明，该系统能够准确检测压接工具位置和类别，为工业自动化质量控制提供了可靠解决方案。
2026-02-01 19:38:42
699
原创 混凝土结构缺陷检测：基于YOLOv8-CSP-PTB的裂缝识别与损伤区域定位研究
本文提出了一种基于YOLOv8-CSP-PTB的混凝土结构缺陷检测方法，通过改进模型结构和损失函数设计，显著提高了裂缝识别和损伤区域定位的准确性。实验结果表明，我们的模型在mAP、Precision、Recall等指标上均优于传统方法，特别是在处理小裂缝和低对比度图像时表现突出。设计了改进的CSP结构，增强特征提取能力引入PTB模块，提高模型对全局上下文的理解提出了多任务损失函数，强化缺陷特征学习构建了完整的检测系统，支持实际工程应用。
2026-02-01 18:53:31
905
原创 Lophelia pertusa冷水珊瑚识别与检测 - 基于YOLOX模型的实战应用
本文介绍了基于YOLOX模型的Lophelia pertusa冷水珊瑚识别方法。冷水珊瑚是深海生态系统的重要组成部分，但传统人工观测成本高、效率低。文章详细阐述了数据集准备、数据增强策略，以及YOLOX模型的架构原理和训练流程。YOLOX凭借解耦头结构、Anchor-free设计和SimOTA分配策略，在保持高精度的同时实现了快速推理。通过数据增强和模型优化，解决了深海图像质量差、样本不平衡等挑战。该方法为深海珊瑚研究提供了高效的自动化解决方案，可广泛应用于海洋生态监测领域。
2026-02-01 17:10:28
669
原创 YOLO11-CSFCN软塑料检测识别创新改进项目实战教程
我们使用了一个超棒的软塑料检测专用数据集，由qunshankj平台提供，遵循CC BY 4.0许可协议。这个数据集包含5195张图像，全部采用YOLOv8格式标注，只包含一个类别"softplastic"。自动方向调整（ stripping EXIF方向信息）统一尺寸调整为640×640（拉伸方式）数据集类型数量占比训练集363770%验证集103920%测试集51910%这种划分方式保证了模型有足够的训练数据，同时保留了一部分数据用于验证和测试，避免了过拟合问题。
2026-01-22 12:02:56
674
原创 【YOLO11-CSP-FreqSpatial项目-01】软夹持器夹持状态检测系统设计与实现
本文详细介绍了一种基于YOLO11-CSP-FreqSpatial的软夹持器夹持状态检测系统的设计与实现。该系统通过深度学习技术实现了对软夹持器工作状态的实时、准确检测，在工业自动化领域具有广泛的应用前景。提出了一种改进的YOLO11-CSP-FreqSpatial模型，增强了小目标检测能力和特征提取效率构建了高质量的软夹持器状态检测数据集，涵盖了多种实际应用场景设计了完整的系统架构，实现了从图像采集到结果输出的全流程自动化通过模型优化和边缘计算部署，实现了高效、可靠的实时检测多模态融合。
2026-01-22 11:38:11
1009
原创 基于YOLO11-InceptionNext的斯诺克球检测与识别系统深度学习训练推理验证
摘要： 本文提出了一种基于YOLO11-InceptionNext混合架构的斯诺克球检测与识别系统。通过构建包含10,000+张图像的数据集，并设计针对球体特性的数据增强策略，系统能有效识别15种不同颜色球体。模型融合了InceptionNext的多尺度特征提取能力和YOLO11的高效检测机制，创新性地引入球体特征注意力模块(BFAM)，使mAP达到0.913，显著优于YOLOv7等基线模型。经TensorRT优化后，系统实现42FPS实时检测，可应用于智能裁判、战术分析等场景。实验表明，该方案在球体重叠、
2026-01-22 11:13:35
885
原创 【遥感图像检测】基于YOLO11-C3k2-EfficientVIM的火灾烟雾检测实现
本文提出了一种基于YOLO11和EfficientVIM的火灾烟雾检测模型YOLO11-C3k2-EfficientVIM。该模型通过多尺度特征融合和注意力机制优化，有效提升了烟雾检测精度（mAP@0.5达0.867）。实验表明，该模型在保持实时性（42FPS）的同时，参数量仅9.8M，适合边缘部署。研究还设计了多种部署方案，包括模型剪枝和量化优化，使其能适应不同应用场景。多帧验证机制的引入进一步降低了误报率，增强了系统可靠性。
2026-01-22 10:48:59
1041
原创 【目标检测】YOLO11-EfficientViT结合实现高效松树目标检测
本文提出了一种创新的YOLO11-EfficientViT融合架构，专门针对松树目标检测任务进行了优化。通过将YOLO11的高效特征提取能力与EfficientViT的强大注意力机制相结合，我们的模型在保持较高推理速度的同时显著提升了检测精度，mAP@0.5达到了0.929，FPS为40，实现了速度与精度的良好平衡。设计了一种自适应特征融合策略，能够根据不同尺度的特征特性动态调整融合权重。引入了双注意力机制（空间注意力和通道注意力），增强了对松树形状、轮廓、纹理和颜色特征的表示能力。
2026-01-22 10:23:44
858
原创 【YOLO13项目实战】（5）镰刀目标检测与识别_C3k2_MBRConv3改进版
本文提出了一种改进的YOLO13算法用于镰刀目标检测，通过引入C3k2和MBRConv3模块提升检测性能。C3k2模块采用多尺度卷积核并行处理，增强对镰刀不规则形状的特征提取；MBRConv3模块结合可变形卷积和深度可分离卷积，优化小目标检测能力。实验表明，改进模型在自建镰刀数据集上mAP@0.5提升5.3%至0.876，同时保持42FPS的实时性。该技术可应用于农业生产、文化遗产保护等领域，未来将进一步优化光照变化和复杂背景下的检测鲁棒性。
2026-01-21 21:58:04
1112
原创 YOLOv5-HSFPN：烟雾检测与分割模型详解，数据集训练+模型优化+性能评估，智能安防系统关键技术研究
本文提出了一种改进的YOLOv5-HSFPN模型用于烟雾检测与分割，通过引入层次化语义特征金字塔网络(HSFPN)和优化分割头，显著提升了检测性能。研究构建了包含多种场景的烟雾数据集，采用数据增强技术提高模型鲁棒性。实验结果表明，改进后的模型在mAP@0.5指标上达到0.893，比原始YOLOv5提升5.1个百分点，同时保持了较高的推理速度。模型已应用于智能安防系统，通过量化和剪枝技术实现了边缘设备部署。未来研究将聚焦于数据集扩充、轻量化设计和多模态信息融合，进一步提升模型在复杂环境中的适应性。
2026-01-21 21:30:54
1095
原创 基于YOLOv8-aux的预制梁场施工过程多任务识别与监控系统_3
本文提出了一种基于YOLOv8-aux的预制梁场施工过程多任务识别与监控系统。系统采用多源数据收集方法，整合了现有数据集、网络抓取和API获取等多种渠道，构建了包含20000多张施工图像的数据集。通过设计高效的数据清洗流程，处理文本和图像数据中的噪声问题。系统利用目标检测技术，实现对预制梁场施工过程中多个环节（如钢筋绑扎、混凝土浇筑等）的实时监控，评价指标包括准确率、召回率和mAP等。该系统能够有效识别施工行为合规性，帮助管理者及时发现安全隐患，提高施工质量和效率。
2026-01-21 20:59:20
730
原创 基于YOLOv8的巴克夏、杜洛克、长白猪和皮特兰四种猪品种识别与定位技术研究
本文研究基于YOLOv8的四种猪品种（巴克夏、杜洛克、长白猪和皮特兰）自动识别技术。通过收集580张标注图像构建数据集，采用YOLOv8模型并引入注意力机制、Focal Loss和多尺度训练等改进策略。实验结果表明，改进后模型的平均mAP达到0.942，相比原始YOLOv8提升3.2个百分点。消融实验验证了各改进策略的有效性，其中多尺度训练效果最为显著。该研究为畜牧业智能化管理提供了高效准确的猪品种识别解决方案。
2026-01-21 20:19:01
811
原创 光伏组件检测与识别基于RPN_X101-FPN模型实现含Python源码_1
本文提出了一种基于改进RPN_X101-FPN模型的光伏组件检测方法。该方法结合区域提议网络(RPN)和特征金字塔网络(FPN)的优势，采用ResNeXt-101作为骨干网络，通过锚框机制和多尺度特征融合，有效解决了光伏组件检测中的尺度变化和形状规则性问题。文章详细阐述了RPN网络的核心原理、损失函数设计以及X101-FPN模型架构，包括ResNeXt-101的特征提取能力和FPN的多尺度处理机制。该方法在保持高性能的同时控制计算复杂度，为光伏电站的自动化检测提供了有效的解决方案。
2026-01-21 19:54:47
973
原创 伊蚊种类识别与分类——基于VFNet的蚊虫识别模型训练与实现
本文提出了一种基于改进VFNet的伊蚊种类识别方法。通过构建包含5种常见伊蚊（共10000张图像）的数据集，采用多尺度特征融合、优化特征金字塔网络和改进注意力机制等技术，有效解决了蚊虫识别中的小目标检测和特征区分难题。特别设计了自适应加权Varifocal Loss函数，显著提升了模型在样本不平衡情况下的性能。实验表明，该方法能够准确识别不同种类伊蚊的关键特征，为蚊媒疾病防控提供了高效的技术支持。
2026-01-20 15:18:01
1014
原创 我们是如何改进YOLO11进行军事车辆与人员目标检测的原创
我们的军事车辆与人员数据集包含了多种军事场景下的图像，涵盖了不同光照条件、天气状况和目标姿态。装甲车坦克军用卡车吉普车步兵人员摩托兵每个类别约有5000张训练图像和1000张测试图像，图像分辨率为1920×1080。通过对YOLO11算法的多方面改进，我们显著提高了其在军事车辆与人员目标检测任务中的性能。实验结果表明，改进后的算法在mAP、召回率等关键指标上均有明显提升，同时保持了较好的实时性。多模态融合：结合红外、可见光等多模态信息，提高全天候目标检测能力。3D目标检测。
2026-01-20 14:21:58
678
原创 基于YOLO11-C3k2-MambaOut-UniRepLK的地铁车站客流状态与安全线识别方法研究
YOLO11作为最新的目标检测模型，继承了YOLO系列的一阶段检测思想，在保持高速度的同时显著提升了检测精度。YOLO11采用CSP(Cross Stage Partial)结构作为骨干网络，通过多尺度特征融合增强对不同大小目标的检测能力。与之前的版本相比，YOLO11引入了更高效的Anchor-Free设计，减少了预设锚框的数量，降低了计算复杂度，同时通过动态分配机制提高了对小目标的检测性能。这些改进使得YOLO11特别适合地铁站这样复杂场景下的客流监测任务。🚀✨。
2026-01-20 13:30:45
899
原创 CT图像颅内血肿与肿瘤检测：基于RetinaNet-PVT-S-FPN的算法实现与分析_1
本文提出了一种基于RetinaNet-PVT-S-FPN的深度学习模型，用于CT图像中颅内血肿与肿瘤的自动检测。该方法结合了RetinaNet目标检测框架、PVT-S骨干网络和FPN特征融合模块，通过Focal Loss解决正负样本不平衡问题。实验结果表明，该模型在保持高精度的同时降低了计算复杂度（mAP 87.6%，参数量21.5M），相比传统方法具有更优的检测性能和更快的推理速度（28ms）。研究还详细介绍了数据预处理、训练策略和优化技巧，为医学影像分析提供了有效的解决方案。
2026-01-20 12:44:40
665
原创 YOLOv10n-ASF-DySample口罩佩戴检测模型解析与实战训练
本文介绍了基于YOLOv10改进的口罩佩戴检测模型YOLOv10n-ASF-DySample，该模型通过引入注意力机制、动态采样策略和自适应特征融合技术，显著提升了检测精度。模型采用改进的C2f模块增强特征提取能力，动态采样策略处理多尺度目标，并优化Focal-Wing Loss损失函数解决样本不平衡问题。实验表明，在MAFA数据集上mAP达到92.3%，特别是对不规范佩戴检测精度提升至88.7%，同时保持43FPS的实时性能。文章还提供了详细的环境配置指南和数据预处理方法，为实际应用提供了完整的解决方案。
2026-01-20 12:10:15
614
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人