<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[KmjJgWeb的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/KmjJgWeb</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; KmjJgWeb]]></copyright><item><title><![CDATA[【深度学习】基于YOLOv26的斑马鱼显微图像分割与结构识别方法研究]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157465272</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157465272</guid><author>KmjJgWeb</author><pubDate>Wed, 28 Jan 2026 10:23:05 +0800</pubDate><description><![CDATA[本研究提出了一种基于改进YOLOv26的斑马鱼显微图像分割与结构识别方法，通过端到端NMS优化、MuSGD优化器设计、双重注意力机制引入和特征金字塔融合等多方面改进，显著提升了模型性能。实验结果表明，改进后的模型在斑马鱼眼部特征识别任务上mAP达到0.938，较原始YOLOv5提高4.7个百分点，推理速度达42 FPS，满足实时检测需求。未来研究方向包括：1）进一步优化模型以适应更复杂的成像条件；2）扩展模型功能以支持三维重建；3）开发用户友好的分析软件工具；4）探索在其他模式生物中的应用潜力。]]></description><category></category></item><item><title><![CDATA[基于YOLOv26的果蝇计数检测系统设计与实现，含完整代码实现]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157464506</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157464506</guid><author>KmjJgWeb</author><pubDate>Wed, 28 Jan 2026 09:44:19 +0800</pubDate><description><![CDATA[本文介绍了一种基于YOLOv26的果蝇计数检测系统，该系统通过计算机视觉技术实现高效准确的果蝇监测。系统采用模块化设计，包含图像采集、预处理、检测和计数统计模块。YOLOv26的创新网络架构消除了NMS后处理步骤，显著提升推理速度；改进的损失函数和MuSGD优化器增强了小目标检测能力。实验表明，该系统在mAP@0.5、召回率等指标上优于传统方法，推理速度达15ms/帧。系统采用轻量化设计，通过TensorRT加速，适合农业场景部署，为病虫害防治提供了高效解决方案。]]></description><category></category></item><item><title><![CDATA[金属切削刀具分类与识别：基于YOLOv26的高精度检测系统（含代码实现）]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157464045</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157464045</guid><author>KmjJgWeb</author><pubDate>Wed, 28 Jan 2026 09:06:06 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv26的高精度金属切削刀具检测系统。该系统通过改进网络结构和优化训练策略，实现了对金属切削刀具的高效准确识别。文章详细介绍了金属切削刀具的分类方法（按材料、结构和工艺），并构建了包含5类刀具、10000张图像的数据集。YOLOv26采用端到端无NMS推理、移除DFL模块、引入MuSGD优化器等创新技术，在检测精度和推理速度上均优于前代模型。实验结果表明，YOLOv26n模型在保持高精度的同时具有最快的推理速度（8.7ms），mAP@0.5达到0.885，非常适合工业实时检测应用。该]]></description><category></category></item><item><title><![CDATA[基于红外热成像的自动驾驶环境中的运动物体检测_YOLOv26_1]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157437759</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157437759</guid><author>KmjJgWeb</author><pubDate>Tue, 27 Jan 2026 19:30:55 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv26的红外热成像运动物体检测方法，用于提升自动驾驶系统在复杂环境下的感知能力。红外热成像技术具有全天候工作（公式$S_{thermal}$）和温度差异检测优势，能有效克服传统视觉传感器的光照限制。YOLOv26采用改进的CSPDarknet骨干网络、FPN-PAN特征融合颈部网络和Anchor-Free检测头，通过温度特征融合模块（TemporalFusionModule代码）和尺度感知损失（公式$S_{scale}$）优化红外特征处理。实验表明，该方法在多种天气条件下保持稳定性]]></description><category></category></item><item><title><![CDATA[基于YOLOv26的眼距分类识别：如何实现精准的眼部特征分析]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157437397</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157437397</guid><author>KmjJgWeb</author><pubDate>Tue, 27 Jan 2026 19:00:53 +0800</pubDate><description><![CDATA[本文介绍了基于YOLOv26模型实现精准眼距分类识别的技术方案。YOLOv26凭借其端到端无NMS推理、小目标识别增强等优势，特别适合眼部特征分析。文章详细阐述了数据集构建（包含近距、平均、远距三类眼型）、数据增强策略，以及YOLOv26模型配置与训练过程，包括预训练权重加载、学习率设置等关键步骤。在模型评估方面，通过mAP指标、混淆矩阵分析和可视化检测结果验证了模型性能。该技术可应用于人脸识别系统优化、美妆建议和医学诊断等领域，具有广泛的实际应用价值。]]></description><category></category></item><item><title><![CDATA[管道内壁裂缝检测-YOLOv26模型应用与研究]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157436991</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157436991</guid><author>KmjJgWeb</author><pubDate>Tue, 27 Jan 2026 18:23:37 +0800</pubDate><description><![CDATA[YOLOv26是Ultralytics团队最新发布的目标检测模型，继承了YOLO系列模型高效、准确的特点，并在多个方面进行了创新和改进。与之前的YOLOv11相比，YOLOv26在模型架构、训练方法和推理效率等方面都有显著提升，特别适合于管道内壁裂缝这类小目标检测任务。DFL移除：分布式焦点损失(DFL)模块的移除简化了推理过程，提高了边缘设备的兼容性。端到端无NMS推理：消除了非极大值抑制(NMS)后处理步骤，实现了真正的端到端检测，显著提高了推理速度。ProgLoss+STAL损失函数。]]></description><category></category></item><item><title><![CDATA[【工业电控柜】基于YOLOv26的设备状态识别与分类实战详解]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157427546</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157427546</guid><author>KmjJgWeb</author><pubDate>Tue, 27 Jan 2026 10:44:40 +0800</pubDate><description><![CDATA[基于YOLOv26的工业电控柜设备状态识别与分类技术，正在改变传统的工业监测方式，实现更高效、更可靠的设备管理。通过本文的介绍，我们了解了从数据准备、模型训练到系统部署的全过程，以及实际应用中的关键技术和最佳实践。🔧未来，随着AI技术的不断进步和工业需求的不断提高，我们可以期待更智能、更高效的工业监测系统出现。YOLOv26作为这一领域的重要工具，将继续发挥其重要作用，推动工业智能化的发展进程。🚀对于想要实施类似项目的企业或开发者，我建议从以下几个方面入手：1) 充分理解业务需求和场景特点；]]></description><category></category></item><item><title><![CDATA[鹰类鸟类目标检测基于改进YOLOv26算法实现与性能分析]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157426654</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157426654</guid><author>KmjJgWeb</author><pubDate>Tue, 27 Jan 2026 10:11:44 +0800</pubDate><description><![CDATA[摘要： 本文提出改进的YOLOv26算法用于鹰类目标检测，在YOLO系列基础上引入动态多尺度特征融合和鹰类专用难例挖掘策略。构建包含50,000张鹰类图像的数据集，涵盖多种场景和姿态。实验表明，YOLOv26在mAP(87.6%)和FPS(65)上均优于主流算法，尤其小目标检测精度提升5.8%。通过模型量化和知识蒸馏技术，算法成功部署于野外监测系统，为野生动物保护提供技术支持。研究验证了改进特征融合和损失函数设计对提升鹰类检测效果的有效性。]]></description><category></category></item><item><title><![CDATA[基于YOLOv26的数字体温计检测与温度读取系统_2]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157403445</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157403445</guid><author>KmjJgWeb</author><pubDate>Mon, 26 Jan 2026 23:56:55 +0800</pubDate><description><![CDATA[本文介绍了一种基于YOLOv26的数字体温计检测与温度读取系统。该系统采用YOLOv26的端到端检测技术，结合MuSGD优化器和ProgLoss+STAL损失函数，显著提升了小目标检测精度。系统架构包括硬件组成和分层软件设计，通过图像预处理、体温计检测、温度OCR识别等流程实现高精度温度读取。测试表明，系统在标准光照条件下检测精度达98.2%，读取精度99.1%，处理速度25ms，适合家庭健康监测、医疗机构和公共场所部署。未来将探索多模态融合等技术进一步提升系统性能。]]></description><category></category></item><item><title><![CDATA[柑橘木虱目标检测与识别——基于改进YOLOv26算法的高精度检测方法研究]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157403119</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157403119</guid><author>KmjJgWeb</author><pubDate>Mon, 26 Jan 2026 23:27:15 +0800</pubDate><description><![CDATA[本文提出了一种基于改进YOLOv26算法的柑橘木虱高精度检测方法。针对柑橘木虱体型微小、与叶片颜色相近的特点，通过优化网络结构、改进损失函数和训练策略，显著提升了检测性能。实验结果表明，改进后的YOLOv26在柑橘木虱数据集上取得了90.3%的精确率和84.8%的召回率，优于YOLOv5、YOLOv8等主流算法。该方法为柑橘木虱的早期预警和精准防治提供了有效的技术手段，具有重要的农业应用价值。]]></description><category></category></item><item><title><![CDATA[基于YOLOv26的口腔颌骨区域多结构分割与牙齿状态识别系统实现]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157402813</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157402813</guid><author>KmjJgWeb</author><pubDate>Mon, 26 Jan 2026 22:56:20 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv26的口腔颌骨区域多结构分割与牙齿状态识别系统。系统采用改进的YOLOv26-seg模型，实现了端到端的无NMS推理，CPU推理速度提升43%。通过专业标注的5000张医学影像数据集训练，系统能够准确分割牙齿、牙周组织等口腔结构，并识别龋齿等异常状态。数据预处理模块采用标准化和增强策略提高模型泛化能力。训练阶段优化了特征提取和损失函数，解决了类别不平衡问题。推理模块经量化、TensorRT加速等优化后，在普通工作站上可达15FPS处理速度。系统提供直观的可视化界面，支持多视图同步]]></description><category></category></item><item><title><![CDATA[YOLOv26赋能车辆表面缺陷检测：我如何实现高精度缺陷分类与识别系统]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157402432</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157402432</guid><author>KmjJgWeb</author><pubDate>Mon, 26 Jan 2026 22:28:24 +0800</pubDate><description><![CDATA[本文探讨了基于YOLOv26算法的车辆表面缺陷检测系统。针对传统人工检测效率低、主观性强的问题，该系统利用深度学习技术实现凹陷、划痕、锈蚀等缺陷的自动识别。YOLOv26通过端到端无NMS推理、MuSGD优化器等创新点，显著提升了检测速度和精度。研究团队进一步优化了网络结构，引入注意力机制和改进的损失函数，增强了对微小缺陷的检测能力。实验结果表明，该系统在10,000张图像数据集上实现了高效准确的缺陷检测，为汽车制造业质量控制提供了智能化解决方案。]]></description><category></category></item><item><title><![CDATA[【船舶识别】基于YOLOv26的高精度船舶类型检测系统（源码+模型+部署指南）_1]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157395481</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157395481</guid><author>KmjJgWeb</author><pubDate>Mon, 26 Jan 2026 15:33:56 +0800</pubDate><description><![CDATA[本文提出了一种基于YOLOv26的高精度船舶类型检测系统，针对港口管理中的船舶识别需求进行了优化。系统采用改进的YOLOv26算法，通过移除DFL模块、实现端到端无NMS推理、引入ProgLoss+STAL损失函数和MuSGD优化器等创新技术，显著提升了检测精度和速度。实验结果表明，该系统在自建数据集上达到91.7%的mAP，推理速度达85FPS，优于现有YOLO系列算法。该系统已成功应用于港口船舶管理场景，实现了船舶进出港自动识别、安全监控和流量统计等功能。未来将进一步探索多模态信息融合和小目标检测优化等]]></description><category></category></item><item><title><![CDATA[摆球检测与定位_基于改进YOLO11-FDPN模型的实时目标检测系统_工业场景应用]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157214363</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157214363</guid><author>KmjJgWeb</author><pubDate>Wed, 21 Jan 2026 14:54:01 +0800</pubDate><description><![CDATA[本文提出了一种基于改进YOLO11-FDPN模型的工业摆球实时检测系统。针对工业场景中光照变化、运动模糊等挑战，设计了双路径特征金字塔结构、密集预测模块和轻量化注意力机制，显著提升了小目标检测精度。通过多角度数据采集和针对性数据增强构建了5万张图像的数据集，模型在测试集上达到99.7%准确率和32.5FPS处理速度。实验表明，该系统满足工业检测的高精度、实时性要求，为智能制造提供了可靠的视觉检测解决方案。]]></description><category></category></item><item><title><![CDATA[基于改进YOLOv11的印度孔雀识别与检测系统：C3k2-ConverseB网络优化与实现]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157213708</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157213708</guid><author>KmjJgWeb</author><pubDate>Wed, 21 Jan 2026 14:19:47 +0800</pubDate><description><![CDATA[YOLOv11作为最新的目标检测算法之一，继承了YOLO系列的一贯特点，即单阶段检测、实时性和高精度。Backbone（骨干网络）：负责从输入图像中提取特征Neck（颈部网络）：融合不同尺度的特征信息Head（检测头）：生成最终的检测结果传统YOLOv11在处理小型目标时存在一定的局限性，而孔雀羽毛细节丰富，体型变化较大，特别是在野外环境下，这些特点使得传统的检测方法面临挑战。为了解决这些问题，我们提出了基于C3k2-ConverseB的网络优化方案。]]></description><category></category></item><item><title><![CDATA[基于YOLOv8-MAFPN的电动汽车充电桩车位占用状态检测系统详解深度学习Python实现]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157212774</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157212774</guid><author>KmjJgWeb</author><pubDate>Wed, 21 Jan 2026 13:57:59 +0800</pubDate><description><![CDATA[本文提出了一种基于改进YOLOv8-MAFPN的电动汽车充电桩车位占用状态检测系统。针对传统检测方法在多尺度目标检测中的不足，系统引入多尺度自适应特征金字塔网络(MAFPN)，通过双向特征融合机制整合P3、P4、P5三个尺度的特征信息。同时设计了多尺度自适应检测头，包含尺度感知模块、自适应权重分配模块和动态检测头，能够根据目标尺寸动态调整检测参数。实验表明，该系统显著提升了充电桩车位状态检测的准确性和鲁棒性，为电动汽车充电设施管理提供了高效解决方案。]]></description><category></category></item><item><title><![CDATA[工业零件检测与分类——基于YOLOv5的改进模型 Dysample 实现]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157212133</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157212133</guid><author>KmjJgWeb</author><pubDate>Wed, 21 Jan 2026 13:28:15 +0800</pubDate><description><![CDATA[本文详细介绍了基于YOLOv5改进模型Dysample的工业零件检测与分类系统的环境配置方法。主要内容包括：1）提供Anaconda、PyCharm、CUDA等工具的安装包下载链接；2）指导源码下载和解压注意事项；3）详细说明Anaconda虚拟环境创建和PyCharm工程配置步骤；4）完整介绍CUDA 10.2和cuDNN的安装流程；5）提供PyTorch 1.5.1及其他依赖库的多种安装方式。文中特别强调了路径中不能含中文、环境变量配置等关键注意事项，并针对不同版本提供了兼容性解决方案。]]></description><category></category></item><item><title><![CDATA[胰腺外分泌腺瘤与神经内分泌肿瘤的计算机辅助检测_ga-retinanet_r50_fpn_1x_coco模型_1]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157211730</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/157211730</guid><author>KmjJgWeb</author><pubDate>Wed, 21 Jan 2026 12:58:54 +0800</pubDate><description><![CDATA[本文提出了一种基于GA-RetinaNet的胰腺肿瘤计算机辅助检测方法，用于识别胰腺外分泌腺瘤和神经内分泌肿瘤。该方法结合遗传算法优化模型参数，通过特征金字塔网络实现多尺度特征融合，在200例CT影像测试中取得了平均0.881的mAP值，较传统方法提升6.3%，尤其在小肿瘤检测上召回率提高9.7%。该系统可集成至医院PACS系统，初步临床试用显示检出率提高15%，诊断时间缩短30%，为胰腺肿瘤早期诊断提供了有效辅助工具。]]></description><category></category></item><item><title><![CDATA[YOLO11-SPPF-LSKA在物流设备检测中的应用与实现_1]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/156864288</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/156864288</guid><author>KmjJgWeb</author><pubDate>Mon, 12 Jan 2026 15:52:59 +0800</pubDate><description><![CDATA[YOLO系列模型进化历程全面解析：从YOLOv1到最新版本的技术创新与性能提升 摘要：本文系统梳理了YOLO系列目标检测模型从2015年YOLOv1到最新YOLOv11的技术演进历程。YOLOv1开创了单阶段检测先河，后续版本通过引入锚框机制(YOLOv2)、多尺度检测(YOLOv3)、CSP结构(YOLOv4)、易用性优化(YOLOv5)、工业部署优化(YOLOv6)等关键技术不断突破。最新版本已发展至支持多模态融合(YOLOv11)，在保持实时性的同时显著提升检测精度。文章详细分析了各版本的创新点，包括]]></description><category></category></item><item><title><![CDATA[基于Mask-RCNN的暴力行为检测与识别系统研究]]></title><link>https://blog.youkuaiyun.com/KmjJgWeb/article/details/156860842</link><guid>https://blog.youkuaiyun.com/KmjJgWeb/article/details/156860842</guid><author>KmjJgWeb</author><pubDate>Mon, 12 Jan 2026 14:20:29 +0800</pubDate><description><![CDATA[暴力行为检测技术经历了从传统方法到深度学习方法的演进过程。传统方法主要依赖于手工设计的特征和浅层分类器，如SVM、HOG等，这些方法在复杂场景下表现不佳，且对光照变化、遮挡等因素敏感。深度学习方法，特别是基于卷积神经网络(CNN)的目标检测算法，为暴力行为检测带来了突破性进展。从Faster-RCNN到YOLO系列，再到Mask-RCNN，目标检测技术的不断提升使得暴力行为检测的准确率和实时性都有了质的飞跃。如上图所示，暴力行为检测技术经历了从传统手工特征到深度学习的转变过程。]]></description><category></category></item></channel></rss>