<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[DeepLearningYolo的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/DeepLearningYolo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; DeepLearningYolo]]></copyright><item><title><![CDATA[水果蔬菜数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163913104</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163913104</guid><author>DeepLearningYolo</author><pubDate>Thu, 20 Aug 2026 11:31:14 +0800</pubDate><description><![CDATA[该水果蔬菜数据集包含28个类别的图像（10种水果和18种蔬菜），总数据量达3,560张（每类100张训练图+10张验证图+10张测试图）。数据集采用标准的三级目录结构（train/test/validation），适合图像分类任务。通过TensorFlow的ImageDataGenerator可实现数据增强（旋转/平移/翻转等），搭配MobileNetV2迁移学习模型（冻结底层+自定义分类层）进行训练，最终输出多分类结果。典型流程包括：数据预处理→模型构建→训练评估（50个Epoch）→性能可视化（损失/准]]></description><category></category></item><item><title><![CDATA[30万张图像、1081类植物的细分类数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163729924</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163729924</guid><author>DeepLearningYolo</author><pubDate>Thu, 13 Aug 2026 17:53:54 +0800</pubDate><description><![CDATA[针对30万张图像、1081类植物细分类任务，本文提出了一套完整解决方案。数据集具有高度歧义性和长尾分布特点，需特殊处理。方案包含：1) 环境配置与数据准备，建议YAML文件管理类别；2) 自定义PyTorch数据集类，集成数据增强（随机翻转、旋转等）；3) 采用ResNet50预训练模型，替换全连接层适配1081类输出；4) 实现完整训练流程，包含交叉熵损失、Adam优化器和学习率调度。系统使用TensorBoard监控训练损失，并在验证集评估准确率，特别适合处理大规模细粒度分类任务。]]></description><category></category></item><item><title><![CDATA[如何使用PyTorch对含525种鸟类数据集进行图像分类任务鸟类分类图像数据集的训练及应用，鸟类分类图像分类数据集，鸟类数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163699386</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163699386</guid><author>DeepLearningYolo</author><pubDate>Wed, 12 Aug 2026 15:23:33 +0800</pubDate><description><![CDATA[这篇文章介绍了如何使用PyTorch框架对包含525种鸟类的图像数据集进行分类任务。主要内容包括：1) 数据集描述，包含高质量鸟类图像，每只鸟占据至少50%画面；2) 数据加载与预处理，使用自定义Dataset类处理CSV文件；3) 采用预训练ResNet18模型进行微调；4) 训练过程设置交叉熵损失和SGD优化器；5) 模型验证与测试方法；6) 结果可视化展示。该教程适合初学者学习图像分类任务，通过合理的数据处理和模型调整，可达到较高的分类准确率。]]></description><category></category></item><item><title><![CDATA[如何使用GA-SVM（遗传算法优化的支持向量机）处理小样本_DGA变压器故障诊断相关 变压器油中溶解气体，7种特征量的小样本数据集,5种特征量的数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163692667</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163692667</guid><author>DeepLearningYolo</author><pubDate>Wed, 12 Aug 2026 11:18:17 +0800</pubDate><description><![CDATA[本文介绍了使用GA-SVM（遗传算法优化的支持向量机）处理变压器故障诊断中的小样本数据集。通过MATLAB代码示例，展示了如何利用遗传算法优化SVM的关键参数（核函数宽度和惩罚因子），以提高模型在变压器油中溶解气体分析（DGA）数据上的分类性能。该方法结合了SVM的分类能力和遗传算法的全局搜索优势，特别适用于样本量有限（117-670个样本）的故障诊断场景。文章包含数据准备、适应度函数定义、遗传算法优化及模型训练四个关键步骤，并强调参数范围需根据实际数据调整。]]></description><category></category></item><item><title><![CDATA[木材缺陷分割数据集，10个不同的类别，包括活节、死节、树脂、带裂缝的节、裂缝、骨髓、石英岩、丢节、蓝斑和过生长区]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163672296</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163672296</guid><author>DeepLearningYolo</author><pubDate>Tue, 11 Aug 2026 17:17:18 +0800</pubDate><description><![CDATA[木材缺陷检测数据集及实时监控系统 摘要：本文介绍了一个包含10类木材缺陷（如活节、死节、树脂、裂缝等）的大规模数据集，共计20276张图像和86803个标注对象（162GB）。数据集采用COCO格式标注，适用于目标检测和实例分割任务。同时提供了完整的Detectron2训练流程，包括环境配置、数据集注册、模型训练（Mask R-CNN）和评估方法。特别展示了工业部署方案，通过OpenCV实时视频流处理，实现木材缺陷的在线检测与可视化报警功能。]]></description><category></category></item><item><title><![CDATA[航空影像的输电线路与输电塔分割数据集，航拍输电线路与输电塔分割数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163671788</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163671788</guid><author>DeepLearningYolo</author><pubDate>Tue, 11 Aug 2026 16:57:05 +0800</pubDate><description><![CDATA[本文介绍了一个航空影像输电线路与输电塔分割数据集，包含1234张超高分辨率图像（3840×2160），标注了11447个对象，涵盖5个类别：电缆、铁塔、木塔、混凝土/钢结构混合塔及不可见线缆。数据集适用于电力设施智能监测，支持目标检测与语义分割任务。文章提供了Detectron2框架下的完整实现方案，包括环境配置、数据集注册、模型训练（基于Mask R-CNN）、评估及可视化流程，并演示了实时监控系统集成代码。]]></description><category></category></item><item><title><![CDATA[【工业计量优选｜水表刻度CRNN文字识别数据集｜YOLO目标检测+PP-OCR双标注｜1500张实拍图像全套训练方案]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163661937</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163661937</guid><author>DeepLearningYolo</author><pubDate>Tue, 11 Aug 2026 11:22:31 +0800</pubDate><description><![CDATA[面向水务智能抄表、园区远程水表读数自动化采集、工业仪表视觉读取场景研发，整套方案采用两级串联识别架构：先用YOLOv8定位水表表盘区域，裁剪表盘后送入CRNN卷积循环神经网络完成数字刻度序列识别；数据集共计1500张现场实拍水表图像，单类别表盘目标，同步搭载YOLO检测标注、PP-OCR文本标注两套标签，附带VOC格式转换脚本、训练权重、完整工程代码，适配水务智能化课题研发与落地部署。]]></description><category></category></item><item><title><![CDATA[玉米叶片病害检测数据集 6000张 玉米 带标注 voc yolo，玉米叶片病害检测数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163436259</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163436259</guid><author>DeepLearningYolo</author><pubDate>Mon, 03 Aug 2026 11:20:52 +0800</pubDate><description><![CDATA[摘要： 本文介绍了一个包含6类玉米叶片病害的检测数据集，共6095张图片、10752个标注框，涵盖秋黏虫卵、健康叶片、秋黏虫危害后、灰斑病、锈病和灰叶斑病等类别。数据集提供VOC和YOLO两种标注格式，配套完整的项目结构（包含数据转换工具、训练代码和模型权重）。关键实现包括：1）使用Python脚本将VOC格式转换为YOLO格式；2）基于PyTorch构建自定义数据集加载器；3）提供YOLOv8模型的训练和预测流程。该项目适用于农业病害检测研究，只需安装基础依赖即可快速部署，为精准农业中的病害识别提供标准化]]></description><category></category></item><item><title><![CDATA[瓦林根航拍图像建筑物实例分割数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163430143</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163430143</guid><author>DeepLearningYolo</author><pubDate>Mon, 03 Aug 2026 10:10:34 +0800</pubDate><description><![CDATA[瓦林根航拍图像建筑物实例分割数据集(已转为标准coco格式)城市:德国瓦林根规模:714张图像，2939栋建筑物地面分辨率:9cm用途:mask rcnn等网络的训练与测试使用YOLOv8进行实例分割训练的详细步骤。假设你的数据集已经转换为COCO格式，并且包含图像和标注文件。]]></description><category></category></item><item><title><![CDATA[自动驾驶科研数据集｜3404张极端天气道路目标检测数据集｜VOC&YOLO双标注 + YOLOv8全套训练方案+PyQt5可视化界面，3404张极端天气道路目标检测数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163175126</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163175126</guid><author>DeepLearningYolo</author><pubDate>Fri, 24 Jul 2026 23:59:46 +0800</pubDate><description><![CDATA[面向自动驾驶、恶劣天气路况感知、交通目标检测方向课题研发，这套极端天气道路数据集极具科研价值。数据集总计3404张雨雪雾等恶劣场景道路实拍图像，共6大类道路通行目标，总标注数量20884个；同时提供VOC(xml)、YOLO(txt)两种标注格式，适配一阶段、两阶段各类检测算法。配套完整环境部署教程、YOLOv8训练脚本、训练指标可视化代码、PyQt5图像检测GUI程序，可快速搭建一套极端天气道路目标检测完整系统，适合毕业设计、自动驾驶感知算法开发。]]></description><category></category></item><item><title><![CDATA[轮胎X光缺陷数据集 四类常见轮胎X光图缺陷，# 工业质检优选｜轮胎X光缺陷检测数据集｜VOC+YOLO双标注+4套实用脚本+YOLOv8完整训练教程]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163138401</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163138401</guid><author>DeepLearningYolo</author><pubDate>Fri, 24 Jul 2026 17:43:33 +0800</pubDate><description><![CDATA[轮胎X光缺陷数据集摘要 该数据集包含1903张轮胎X光图像，涵盖裂纹(crack)、气泡(blister)、穿刺(puncture)、脱层(separation)四类典型缺陷，提供VOC(xml)和YOLO(txt)双格式标注，可直接用于目标检测模型训练。配套4个实用脚本：标注格式转换、可视化、数据增强和推理工具，适配YOLO等主流框架。数据集专为工业无损检测场景设计，适用于轮胎质检算法开发、学术研究及毕业设计，引用时需注明来源。通过标准化目录结构和配置文件，用户可快速开展模型训练与评估。]]></description><category></category></item><item><title><![CDATA[YOLOv8 训练工程车航拍数据集，1260 张航拍工程车数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163138298</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163138298</guid><author>DeepLearningYolo</author><pubDate>Thu, 23 Jul 2026 16:58:42 +0800</pubDate><description><![CDATA[本文详细介绍了使用YOLOv8训练工程车航拍数据集的完整流程。数据集包含1260张YOLO/VOC格式标注的航拍图片，采用标准目录结构组织。主要内容包括： 数据准备：创建YAML配置文件定义数据集路径和类别 模型训练：加载预训练YOLOv8模型，配置训练参数（100轮次、640x640分辨率、16批量大小） 评估与保存：使用验证集评估模型性能并保存训练结果 数据增强：]]></description><category></category></item><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163137691</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163137691</guid><author>DeepLearningYolo</author><pubDate>Thu, 23 Jul 2026 16:55:02 +0800</pubDate><description><![CDATA[本文详细介绍了使用YOLOv8训练电池缺陷检测模型的完整流程。数据集包含3类缺陷（脏污、凹陷、划痕），已按YOLO格式划分训练集/验证集。通过配置YAML文件、加载预训练yolov8s模型，设置100轮训练（batch=16，图像尺寸640×640），最终模型mAP0.5达到95.3%。文章涵盖数据准备、依赖安装、训练参数配置、模型评估与保存的完整代码，并提供了数据集引用格式和训练注意事项，为工业缺陷检测任务提供了一套可复现的解决方案。]]></description><category></category></item><item><title><![CDATA[滚动轴承数据集 故障诊断，预测、分类 最全套数据集]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163110930</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163110930</guid><author>DeepLearningYolo</author><pubDate>Thu, 23 Jul 2026 15:10:53 +0800</pubDate><description><![CDATA[摘要 本文介绍了基于四套滚动轴承数据集（CWRU西储大学、XJTU西安交通大学、江南大学和东南大学）的故障诊断方法。通过Python和机器学习工具（如scikit-learn），详细展示了从数据准备、特征提取（时域和频域特征）、数据预处理（标准化和标签编码）到模型训练（随机森林分类器）的完整流程。实验包括对各数据集的单独评估和综合对比，最终输出分类报告和准确率。该方法适用于轴承故障的预测与分类，并支持不同数据集间的性能对比分析。（150字）]]></description><category></category></item><item><title><![CDATA[基于深度学习的猫狗动物识别系统，CNN，tensorflow，卷积神经网络]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163107903</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163107903</guid><author>DeepLearningYolo</author><pubDate>Wed, 22 Jul 2026 15:39:29 +0800</pubDate><description><![CDATA[本文介绍了基于深度学习的猫狗识别系统开发，使用卷积神经网络（CNN）和TensorFlow框架。主要内容包括：1）环境配置，安装TensorFlow、PyQt5等依赖包；2）数据准备，建议使用Kaggle猫狗数据集并按标准目录结构组织；3）模型训练，详细说明了CNN网络结构、数据增强方法和训练过程；4）用户界面开发，通过PyQt5实现图片选择和分类结果显示功能。该系统可实现对输入图片的猫狗分类，准确率取决于训练数据和模型参数。代码示例完整，涵盖从数据处理到界面集成的全流程。]]></description><category></category></item><item><title><![CDATA[YOLOv8森林火灾检测系统完整搭建教程！火焰烟雾数据集训练+带预警GUI源码分享]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163082566</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163082566</guid><author>DeepLearningYolo</author><pubDate>Tue, 21 Jul 2026 17:46:50 +0800</pubDate><description><![CDATA[摘要： YOLOv8森林火灾检测系统采用YOLOv8+PyQt5技术栈，集成火焰/烟雾数据集训练、多源火情推理（图片/视频/摄像头）、检测框标注与Excel数据导出功能，适配山林、室内等复杂场景。系统支持GPU加速与CPU运行，提供可视化交互界面，覆盖火情检测全流程，适用于森林防火、应急管理及计算机视觉毕设。核心优势包括双目标同步识别（火焰与烟雾）、轻量化模型适配、完整实验数据留存及二次开发潜力。配套开源数据集与训练代码，助力学术研究与实际应用。（150字） 关键词： YOLOv8、森林火灾检测、PyQt5]]></description><category></category></item><item><title><![CDATA[97-融合正余弦和柯西变异的麻雀搜索算法]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163041465</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163041465</guid><author>DeepLearningYolo</author><pubDate>Mon, 20 Jul 2026 11:38:53 +0800</pubDate><description><![CDATA[本文提出了一种融合正余弦和柯西变异的改进麻雀搜索算法（SCSSA），用于优化CNN-BiLSTM时间序列预测模型。通过MATLAB实验平台比较了PSO、GWO、SSA和SCSSA等算法的性能，展示了三维测试函数曲面和收敛曲线。结果表明，改进后的SCSSA算法在寻优能力和收敛速度上表现更优。文中给出了算法实现的伪代码框架，包括SCSSA优化过程、CNN-BiLSTM模型构建和目标函数设计等关键环节，为时间序列预测提供了一种新的优化方法。]]></description><category></category></item><item><title><![CDATA[如何实现基于MATLAB的轴承故障检测系统]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163041426</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163041426</guid><author>DeepLearningYolo</author><pubDate>Mon, 20 Jul 2026 11:37:43 +0800</pubDate><description><![CDATA[本文介绍了基于MATLAB的轴承故障检测系统实现方法。系统通过分析轴承振动信号来诊断故障类型（内圈、外圈、滚珠等），采用小波变换处理非平稳信号，并设计了GUI界面实现信号加载、分解和可视化功能。核心MATLAB代码展示了信号加载、小波分解（5层db4小波）及系数重构过程。该系统能有效提高设备可靠性、降低维护成本并保障生产安全，为轴承状态监测提供了实用解决方案。]]></description><category></category></item><item><title><![CDATA[于MATLAB的图像去噪系统——，用于对图像进行去噪处理]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163016965</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/163016965</guid><author>DeepLearningYolo</author><pubDate>Sun, 19 Jul 2026 12:25:50 +0800</pubDate><description><![CDATA[使用YOLOv8训练无人机红外可见光行人检测模型 摘要 本文介绍了如何使用YOLOv8深度学习目标检测算法训练无人机红外可见光行人检测模型。数据集包含15,400张标注图像（JPG+XML格式），仅包含"person"类别。文章详细说明了从数据准备到模型训练、评估及构建GUI应用的完整流程： 安装依赖库（Ultralytics、OpenCV等） 数据集预处理（XML转YOLO格式） 配置YOLOv8训练参数 模型训练与评估代码实现 PyQt5 GUI应用开发（支持图片/视频/摄像头检测）]]></description><category></category></item><item><title><![CDATA[YOLOv8 + 疲劳驾驶检测与预警,yolov8经典疲劳驾驶检测项目，能够检测出图片或者视频里的人是否疲劳,疲劳驾驶检测系统]]></title><link>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/162978515</link><guid>https://blog.youkuaiyun.com/DeepLearningYolo/article/details/162978515</guid><author>DeepLearningYolo</author><pubDate>Fri, 17 Jul 2026 23:35:21 +0800</pubDate><description><![CDATA[本项目基于YOLOv8实现了一套完整的疲劳驾驶检测系统，包含数据集、模型训练脚本和实时检测功能。系统能够识别图片或视频中驾驶员的疲劳状态（闭眼、打哈欠等特征），并通过视觉提示（红色警示框和文字）及时预警。项目提供完整的开发资源，包括标注好的疲劳/清醒状态数据集、YOLOv8模型训练代码、实时摄像头检测脚本、演示视频及技术文档。采用Python+OpenCV实现，支持本地视频文件或摄像头实时输入，检测到疲劳状态时会触发"FATIGUE DETECTED!"警报，准确率达90%以上]]></description><category></category></item></channel></rss>