- 博客(236)
- 资源 (35)
- 收藏
- 关注
RSS订阅
原创 Python项目配置前的准备工作
推荐大家使用清华镜像下载的miniconda，实测非常稳定，记得安装的时候所有的对号都要选择上。现在完成之后，直接命令行打开输入conda -V的指令观察是否能正确输出conda的版本号，如果可以，则说明没有问题。另外，为了增加后面镜像下载的速度，推荐大家配置国内的镜像。请执行下面的指令进行镜像的配置。
2024-12-04 11:05:38
8289
4
原创 肆十二大作业系列清单
Hello，各位小伙伴，大家好，由于之前的博客都是断断续续的发布，导致有些小伙伴看到之后不知道去哪里找下一期以及去哪里下载项目中对应的资源，这里我将所有的大作业都整理了处理，每个项目都提供了项目的效果图、博客地址、视频地址以及资源地址，方便大家进行索引。我们设置这个专栏的目的主要是为了帮助大家掌握常用的计算机视觉的算法，以实际操作为导向，学习知识的同时帮助大家完成对应的大作业，本栏目涵盖了计算机视觉中常见的四个任务，即分类、分割、检测和实例分割。关键词：关键词：YOLOv10、PyTorch。
2024-08-09 18:22:29
11647
1
原创 【大作业系列入门教程】如何使用Anaconda和Pycharm
Hi，各位好久不见，这里是肆十二，首先在这里给大伙拜年了。诸位过完年之后估计又要开始为了大作业和毕业设计头疼了，我们重启更新计划，还是围绕计算机视觉里面的分类、检测和分割展开。诸位可以点个关注，防止错过最新动态。资源下载和博客将会更新在我得csdn，视频则会更新我的B站，我之后也会将对应博客和视频的地址放在置顶评论，防止大家迷路。OK，进入正题，今天我们要和大家分享的内容是Python项目中常用的两个工具Anaconda和Pycharm。
2024-02-11 21:26:01
30566
14
原创 【大作业-60】基于改进UNET的遥感道路图像分割系统
摘要 本文提出了一种基于改进UNet的遥感道路图像分割系统。该系统采用UNet网络结构，结合跳跃连接和多尺度特征融合机制，实现对高空拍摄道路图像的高精度分割。研究内容包括：1) 数据集准备与预处理；2) UNet模型改进与优化；3) 基于PyTorch的模型实现；4) 使用PyQt5开发的图形化界面系统。实验结果表明，该系统在道路分割任务中表现良好，能够有效辅助城市规划等应用。项目提供了完整的开发环境配置指南和评估指标说明（包括Precision、Recall、mIoU、mPA和Dice系数），便于复现和进
2025-06-05 10:40:21
943
原创 【大作业-59】基于改进UNET的乳腺癌超声图像分割系统
大家好，这里是肆十二！本次，我们为大家带来的是乳腺超神图像分割。深度学习技术的应用不仅提高了乳腺超神图像分割的精度和效率，也为医学影像分析带来了智能化的转变。借助人工智能，医生可以获得更多维度的辅助信息，从而做出更为精准的临床决策，推动了医学领域，尤其是在乳腺超神疾病的早期筛查、诊断和治疗方面的发展。在这期的教程中，我们将会教会大家如何使用服务器训练我们的乳腺超神图像分割模型以及将我们云端训练好的模型应用到本地的电脑上，最终实现的效果如下。
2025-06-03 11:48:59
966
原创 【大作业-58】基于改进UNET的遥感图像分割系统
本文介绍了一个基于改进UNET的遥感图像分割系统，该系统采用UNET及其改进模型实现对遥感可见光图像中房屋目标的识别，并集成PyQt开发了图形化界面。系统支持模型切换、图像上传和分割功能，展示了良好的分割效果。文章详细说明了项目配置流程，包括环境搭建、数据集准备、本地配置和模型验证步骤。在评估指标方面，系统采用精确度、召回率、mIoU、mPA和Dice系数等多维度指标进行性能验证，并展示了改进模型的实际分割结果。该研究为遥感图像分割提供了一套完整的解决方案。
2025-06-02 12:41:12
1017
原创 【大作业-57】基于改进UNET的油页岩图像石油含油量识别
🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳视频地址：🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳🥳大家好，这里是肆十二！本次，我们为大家带来的是油页岩图像含油量识别。油页岩中有机质的密度远低于其他岩石基质,因此,在CT图像中有机质的灰度值往往接近于孔隙裂隙的灰度值,从而在图像中表现为灰度值差异不明显,有机质和岩石的边界模糊等问题。 为了精准识别分割出油页岩CT图像中的有机质,对深度学习领域的图像分割方法进行研究,并自主搭建了UNET语义分割网络架构。在
2025-06-01 11:26:00
609
原创 【大作业-56】基于YOLO12的声纳图像检测系统
本文介绍了一个基于YOLO12的声纳图像检测系统，适用于极端环境下的目标识别。系统包含标注数据集、训练好的YOLOv5/v8/v11/v12模型及图形化界面，支持检测飞机、鱼类、沉船等目标。文章详细说明了环境配置步骤（需安装PyTorch和Miniconda）、本地模型训练方法（需修改数据集路径）、GPU服务器训练选项（推荐蓝耘GPU平台）以及模型测试流程。系统提供升级后的PySide6图形界面和Gradio开发的Web界面，用户可通过简单操作完成图像/视频检测。文中包含大量示例图片和操作截图，并提供了相关
2025-05-28 23:33:28
1054
原创 【大作业-55】基于深度学习的电动车头盔佩戴检测系统
本文介绍了一个基于YOLO12的电动车头盔佩戴检测系统。该系统可检测电动车驾驶员是否佩戴头盔，包含标注数据集、预训练模型（YOLOv5/8/11/12）和图形化界面。数据集包含"佩戴头盔"、"未佩戴头盔"和"电动车"三类。文章详细讲解了环境配置、本地训练（需修改数据集路径）、模型测试和图形化界面使用（支持图片/视频检测）。还提供了GPU服务器训练方案和Web界面封装代码。系统可实现实时检测，适用于交通管理场景。
2025-05-25 11:08:14
779
原创 【大作业-54】基于YOLO12的安全绳佩戴检测系统
摘要：本文介绍了一个基于YOLO12的安全绳佩戴检测系统，用于实时监测电力工人高空作业时是否佩戴安全绳。系统包含完整的数据集（仅"安全绳"类别）、训练好的YOLO系列模型和图形化界面。项目提供了详细的环境配置指南、本地/GPU服务器训练方法、模型测试流程，并展示了基于PySide6开发的GUI界面和Gradio实现的Web版检测系统。该系统通过计算机视觉技术解决了传统人工监管的不足，为高空作业安全提供了智能化解决方案。
2025-05-24 12:41:19
1183
原创 环境安装快捷指令-自用
如果客户没有对应的软件，请从下面的地址进行获取。先对镜像进行配置，根据网络条件的不同，可以选择目前知道的清华或者是北外的，其他的暂时不确定。
2025-04-30 11:28:10
411
原创 【大作业-53】基于YOLO的人脸表情识别
yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。
2025-04-10 18:14:14
2034
4
原创 【大作业-52】基于改进UNET的细胞图像分割系统（unet、unet++、r2net、attention unet以及unet的改进）
Precision和Recall主要从不同的角度衡量模型在预测正类时的表现，一个注重减少假阳性（Precision），另一个注重减少假阴性（Recall）。mIoU计算了预测与真实标签之间的重叠程度，越高越好。mPA聚焦于每个类别的像素级准确率，适用于多类别的分割任务。Dice 系数是衡量两个区域相似度的一个综合指标，常用于评估医学图像中的目标分割。这些指标各有侧重，在不同的任务中可能需要选择适合的评估方式。通常，综合考虑多个指标可以更全面地评估分割模型的表现。
2025-04-07 23:20:41
1550
原创 【大作业-49】基于深度学习的农作物成熟度检测系统
yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。
2025-04-03 22:53:01
1431
原创 【大作业-51】基于改进UNET的心脏超声图像分割系统（unet、unet++、r2net、attention unet以及unet的改进）
本次，我们为大家带来的是肺部图像分割。深度学习技术的应用不仅提高了肺部图像分割的精度和效率，也为医学影像分析带来了智能化的转变。借助人工智能，医生可以获得更多维度的辅助信息，从而做出更为精准的临床决策，推动了医学领域，尤其是在肺部疾病的早期筛查、诊断和治疗方面的发展。在这期的教程中，我们将会教会大家如何使用服务器训练我们的肺部图像分割
2025-04-03 18:00:44
923
原创 【大作业-50】基于YOLO12的人体关键点检测和姿态估计
yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。
2025-03-31 20:45:34
2639
2
原创 【大作业-48】基于深度学习的荔枝病虫害检测
yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。
2025-03-27 15:16:30
708
原创 LLM入门课#05 人类反馈强化学习是啥
其中agent是你的llm模型，环境来自于用户指定的任务，状态则是当前的上下文，动作则是通过token的池子给出一个合理的输出，reward则是用来判断模型当前的输出是否和用户希望的输出是一致的，是有毒的还是无毒的。这对吗，这明显是不对的，机器人应该和谐地融入到我们的社会中才可以。在医学病理图像生成的任务中， 我们也可以通过奖励模型来定义什么模型是一个好的模型，而什么模型是一个不好的模型，通过这个方式，也可以让我们的模型生成一个更好的病理图像报告的内容，实在是太棒了！可以说是强化学习的魅力时刻了。
2025-03-23 19:26:36
258
原创 【大作业-47】基于深度学习的葡萄叶片病虫害检测系统
yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。
2025-03-23 00:33:04
1632
原创 基于YOLO12的无人机（航拍）视角的目标检测系统
yolo12算法在原先yolo11的基础上进行了微调，引入了一种以注意力为中心的架构，它不同于以往YOLO 模型中使用的基于 CNN 的传统方法，但仍保持了许多应用所必需的实时推理速度。该模型通过对注意力机制和整体网络架构进行新颖的方法创新，实现了最先进的物体检测精度，同时保持了实时性能。区域注意机制：一种新的自我注意方法，能有效处理大的感受野。它可将特征图横向或纵向划分为l 个大小相等的区域（默认为 4 个），从而避免复杂的操作，并保持较大的有效感受野。与标准自注意相比，这大大降低了计算成本。
2025-03-23 00:30:55
2397
1
原创 LLM入门课#04-大模型的微调技术
大家经常会听到大模型这个概念，实际上这些通用大模型的训练非常依赖硬件的资源情况，你可能听过某某公司又买了几百张卡用于模型训练，某公司又构建了一个多大的数据中心，这些对于我们普通人来说是非常不容易的。下面有一张图用来展示一个模型构建过程中所占用的资源情况，除了模型本身的参数之外，还有梯度、优化器的状态等其他的需要占用到资源的情况。所以，微调是一个非常关键的技术，通过少量的资源在你的特定任务上进行训练。
2025-03-14 15:33:51
884
原创 LLM入门课#03-指令微调和模型评估
提示词工程可以在不使用额外训练的基础上优化模型，之后可以使用lora、PEFT等模型来完成微调。动机：使用提示词来完成模型的推理将会让你的案例占用大量的提示词的空间，这样对于推理是不优化的，或者对于用户而言是不友好的，但是如果可以直接通过微调的方式从模型端增强模型的性能，将不会占用大量宝贵的提示词的空间。通过指令微调的方式来完成模型的微调，微调的形式是提供一个提示词，然后给定输入和输出的内容，如下所示。如果让模型全部的权重参数来进行训练，需要对耗费很大的资源。
2025-03-13 15:56:06
347
1
原创 LLM入门课#02
我们对大模型的基础知识进行了了解之后，了解到大模型是通过预测下一个词的形式来完成模型的训练的过程。并且根据这些内容衍生出了encoder-only、encoder-decoder以及decoder-only的模型，其中gpt是典型的decoder-only的模型。并且可以得出我们的输入将会影响到我们的输出，所以prompt是重要的，上下文是重要的。
2025-03-10 23:47:24
331
原创 LLM入门课程#01
这个向量大概是可以衡量单词特征的，比如绿茶和红茶的相似度就会高一些，但是对于绿茶和可乐的相似度就会小一些，通过这种词向量的方式可以把他们映射在一个空间中，你会发现相似的单词总是在一起的。对于一个翻译的任务来说，有点像是通过递归的形式来进行生成的。机器学习的模型是一个大型的统计计算器，处理的是数字，不是单词，所以要做的事情是将单词以数字的形式来进行表示，也就是分词。除此之外，为了不丧失单词的顺序，这个时候还会在网络中添加绝对位置编码，绝对位置的编码将会和单词的编码结合在一起，一起作为下面自注意力层的输入。
2025-03-09 22:15:11
425
原创 【大作业-43】基于深度学习的反光背心佩戴检测系统
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-03-09 12:41:20
1099
1
原创 【大作业-45】基于深度学习的无人机检测系统
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-03-06 15:25:03
1344
原创 【大作业-44】基于深度学习的交通信号灯检测系统
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-03-05 13:13:43
1509
原创 【大作业-42】基于合成孔径雷达（SAR）图像的船只检测（数据集+模型+图形化界面）
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-03-04 10:01:05
1824
原创 【大作业-41】基于yolo11和yolov8的船舶检测系统
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-03-02 14:35:47
2121
2
原创 【大作业-40】 基于yolo11和yolov8的钢铁缺陷检测系统
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-03-01 13:49:41
2898
1
原创 【大作业-39】基于yolo11和yolov8的遥感目标检测
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-03-01 02:32:16
1775
原创 【大作业-38】基于yolo11和yolov8的输电线路过热检测系统
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-03-01 01:49:08
1135
原创 基于yolo11的危险驾驶行为检测系统（数据集+模型+图形化界面）
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-02-21 23:52:05
4282
1
原创 labelme标注文件转化为图片python脚本（多类别数据）
主要针对多类别数据进行转化，需要保证每个图片上的类别一致，如果每个图片的类别不一致会出现标签混乱的情况。
2025-02-21 11:16:53
379
原创 基于yolo11的输电线路缺陷检测系统（数据集+模型+图形化界面）
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-02-17 10:24:54
1572
原创 如何在windows本地部署自己的deepseek
模型的下载，我们主要以deepseek的R系列为主进行介绍。DeepSeek团队已经证明，大型模型的推理模式可以被提炼到小型模型中，与通过小型模型的强化学习发现的推理模式相比，可以获得更好的性能。下面是我们可以使用的几个版本，其中1.5B的模型基本4GB显存以下的电脑可以使用，7B和8B需要在8GB-12GB显存的显卡下使用，后面的就更是重量级了，一般电脑部署起来就有些费劲了。所以需要建立本地的知识库，模型不仅已经通过训练学习到了大量的知识，模型也可以通过本地的数据进行解析，更加符合我们的实际应用。
2025-02-13 17:35:17
1235
原创 基于红外场景的电力设备检测系统（数据集+模型+图形化界面）
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-02-06 18:05:03
1526
1
原创 基于红外场景的输电线路绝缘子检测系统（数据集+模型+图形化界面）
yolo系列已经在业界可谓是家喻户晓了，下面是yolo11放出的性能测试图，其中这种图的横轴为模型的速度，一般情况下模型的速度是通过调整卷积的深度和宽度来进行修改的，纵轴则表示模型的精度，可以看到在同样的速度下，11表现出更高的精度。YOLO架构的核心由三个基本组件组成。首先，主干作为主要特征提取器，利用卷积神经网络将原始图像数据转换成多尺度特征图。其次，颈部组件作为中间处理阶段，使用专门的层来聚合和增强不同尺度的特征表示。第三，头部分量作为预测机制，根据精细化的特征映射生成目标定位和分类的最终输出。
2025-02-06 00:17:45
1270
大作业05-YOLOV5口罩检测数据集+代码+模型 2000张标注好的数据+教学视频.zip
2021-12-14
花卉识别数据集5类-提供代码和教程.zip
2021-06-16
苹果叶片病虫害分类数据集-提高代码和教程.zip
2021-06-16
垃圾分类数据集和tf代码-8w张图片245个类.zip
2021-06-18
皮肤病语义分割数据集+代码+unet模型 2000张标注好的数据+教学视频
2022-02-13
YOLOV5手势识别数据集+代码+模型 2000张标注好的数据+教学视频
2022-03-05
蔬菜识别数据集-提供代码和教程.zip
2021-06-16
花卉识别数据集98类-提供代码和教程.zip
2021-06-16
脑肿瘤切片分类数据集-提供代码和教程.zip
2021-06-16
果蔬识别数据集.zip
2021-06-05
小麦叶片病虫害分类数据集-提高代码和教程.zip
2021-06-16
水稻叶片病虫害分类数据集-提供代码和教程.zip
2021-06-16
肺炎x光图片分类数据集-提供代码和教程.zip
2021-06-16
【大作业-38】基于yolo11和yolov8的输电线路过热检测系统.zip
2025-03-01
ollama部署包+deepseek部署指南+deepseek技术文档
2025-02-19
【大作业-36】基于yolov8和yolo11的绝缘子缺陷检测系统.zip
2025-02-19
【大作业-35】基于红外场景的电力设备检测系统.zip（数据集+yolo模型+图形化界面）
2025-02-06
基于红外场景的输电线路绝缘子检测系统（数据集+模型+图形化界面）
2025-02-06
labelme资源文件，包含labelme用于ai标注的预训练模型，labelme的json文件向yolo格式和mmseg格式进行转化的文件
2025-01-31
基于yolo11的肺结节检测系统（luna16）-提供数据集、模型和图形化界面
2024-12-12
YOLOV5麦穗计数数据集+代码+模型+教学视频-更新
2024-08-09
【大作业-23】 使用yolov9进行PCB电路板缺陷检测.zip
2024-10-05
【大作业-20】用yolov8做动物检测.zip
2024-10-03
YOLOV8行人检测（代码+行人检测数据集+训练好的模型+图形化系统）.zip
2024-08-19
28-基于Tensorflow的风格迁移+代码+模型+系统界面+教学视频.zip
2024-08-09
YOLOv10海上红外目标检测+代码+模型+系统界面+教学视频.zip
2024-08-07
YOLOV5交通标志识别检测数据集+代码+模型+教学视频
2023-03-18
Unet++舌象图像分割数据集+代码+模型+系统界面+教学视频.zip
2024-03-10
Unet眼底血管图像分割数据集+代码+模型+系统界面+教学视频.zip
2024-02-17
YOLOV5电线绝缘子缺陷检测数据集+代码+模型+视频讲解
2023-03-15
YOLOV5动物检测数据集+代码+模型 2000张标注好的数据+教学视频
2022-03-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人