【史诗巨作！！！历时三个月！！！】Yolov8毕设记录——从0到1

已于 2025-05-22 22:18:49 修改
阅读量658 收藏 15
点赞数 11
CC 4.0 BY-SA版权
文章标签： YOLO 课程设计 深度学习 ocr 毕设 毕业设计 算法
于 2025-05-22 17:39:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/dzk666123/article/details/145969924

本文仅记录个人学习思考过程，不涉及具体论文内容或代码实现，仅供交流参考。
本文记录了本人从零基础学习并利用相关工具做深度学习毕设的过程，相信你也可以。

一、前置学习（必要理论基础等）

参考视频如下：

二、YOLO模型训练关键方法

1、 用YOLOv8训练自己数据集的步骤

若提前已经下载好了公开数据集，如果公开数据集内未划分好train、val、test集首先用下面脚本划分。

划分数据集脚本

import cv2
import matplotlib.pyplot as plt
import numpy as np
import random
from tqdm import tqdm
import shutil
import os

def CollateDataset(image_dir, label_dir):
    valid_images = []
    valid_labels = []
    
    # 收集有效图片和标签
    for image_name in os.listdir(image_dir):
        image_path = os.path.join(image_dir, image_name)
        ext = os.path.splitext(image_name)[-1]
        label_name = image_name.replace(ext, ".txt")
        label_path = os.path.join(label_dir, label_name)
        
        if not os.path.exists(label_path):
            print(f"Label missing: {label_path}")
        else:
            valid_images.append(image_path)
            valid_labels.append(label_path)
    
    # 按比例分配数据集
    for i in tqdm(range(len(valid_images))):
        image_path = valid_images[i]
        label_path = valid_labels[i]
        r = random.random()
        
        # 修改后的比例判断逻辑 (8:1:1)
        if r < 0.1:
            destination = "C:/ultralytics-8.3.81/datasets/design_mian_data/test" #这里需要改，改成你需要保存test集的路径
        elif r < 0.2:
            destination = "C:/ultralytics-8.3.81/datasets/design_mian_data/val" #这里需要改，改成你需要保存val集的路径
        else:
            destination = "/ultralytics-8.3.81/datasets/design_mian_data/train" #这里需要改，改成你需要保存train集的路径
        
        # 创建目标目录
        os.makedirs(os.path.join(destination, "images"), exist_ok=True)
        os.makedirs(os.path.join(destination, "labels"), exist_ok=True)
        
        # 复制文件
        shutil.copy(image_path, os.path.join(destination, "images", os.path.basename(image_path)))
        shutil.copy(label_path, os.path.join(destination, "labels", os.path.basename(label_path)))

if __name__ == '__main__':
    CollateDataset(
        "C:/ultralytics-8.3.81/datasets/design_mian_data/images", #这里需要改，改成你的images的路径
        "C:/ultralytics-8.3.81/datasets/design_mian_data/labels"  #这里需要改，改成你的labels的路径
    )#改为下载好的公开数据集的images和labels路径

2、 如何对已经训练过的模型继续训练

下面是腾通元宝给出的代码。

# 加载模型和检查点
model = YOLO("runs/detect/train/weights/last.pt")

# 继续训练
model.train(
    data="data.yaml",
    epochs=300,
    resume=True,
    batch=16,
    imgsz=640,
    lr0=0.001,      # 可选：调整学习率
    flipud=0.5      # 可选：新增数据增强
)

3、 训练脚本

from ultralytics import YOLO
import torch
import cv2
import matplotlib.pyplot as plt
import os

os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'


def train():
    # model = YOLO("./ultralytics/cfg/models/v8/mtyolov8.yaml")  #未预训练
    model = YOLO("./yolov8n.pt")  #官方模型，预训练过
    # model = YOLO('yolov8s-obb.yaml').load('yolov8s-obb.pt')
    # model = YOLO("runs/detect/train54/weights/last.pt") #继续训练
    model.train(data="./test2.yaml", epochs=500) #改为自己写的yaml文件路径
    result = model.val()

if __name__ == '__main__':
    train()

4、训练完后，如何进行预测？

下面是腾通元宝给出的代码。

from ultralytics import YOLO

# 加载模型
model = YOLO("runs/detect/train/weights/best.pt")  # 替换为你的权重路径

# 预测单张图像
results = model.predict("test.jpg", save=True)  # save=True 保存结果到 runs/detect/predict

# 预测文件夹内所有图像
results = model.predict("input_images/", save=True)

# 预测视频文件
results = model.predict("video.mp4", save=True, imgsz=1280)

# 使用摄像头（ID=0表示默认摄像头）
results = model.predict(source=0, show=True, stream=True)  # stream=True 启用实时模式

# 按ESC退出
while True:
    for result in results:
        cv2.waitKey(1)
    if cv2.waitKey(1) == 27:  # ESC键
        break

5、预测脚本

from ultralytics import YOLO
import torch
import cv2
import matplotlib.pyplot as plt
import os

os.environ['KMP_DUPLICATE_LIB_OK'] = 'True'


def predict():
    model = YOLO("runs/detect/train55/weights/best.pt")  #改为训练好的best.pt文件路径
    results = model.predict("WPS拼图0.jpg", save=True)   #改为预测单张图片的路径

if __name__ == '__main__':
    predict()

6、如何进行数据扩充？

利用有限的数据集，经过图像变换获得大量数据集，更改range内的值就能获得不同数据量的数据。

# -*- coding: utf-8 -*-
import cv2
import os
import numpy as np
from albumentations import (
    HorizontalFlip, VerticalFlip, Rotate, RandomBrightnessContrast, 
    Compose, OneOf
)

# 配置路径（使用独立输出目录）
input_images_dir = r"D:\backup\images"
input_labels_dir = r"D:\backup\labels"
output_images_dir = r"D:\backup\images_aug"  # 新增目录防止覆盖
output_labels_dir = r"D:\backup\labels_aug"

# 创建输出目录（强制UTF-8编码）
os.makedirs(output_images_dir, exist_ok=True)
os.makedirs(output_labels_dir, exist_ok=True)

# 定义增强管道（YOLO格式专用）
aug = Compose([
    OneOf([
        HorizontalFlip(p=0.5),
        VerticalFlip(p=0.5),
        Rotate(limit=15, border_mode=cv2.BORDER_CONSTANT, p=0.5)
    ], p=0.8),
    RandomBrightnessContrast(brightness_limit=0.2, contrast_limit=0.2, p=0.5)
], bbox_params={'format': 'yolo', 'label_fields': ['class_labels']})

# 遍历处理文件
for img_name in os.listdir(input_images_dir):
    # 处理中文文件名乱码
    try:
        img_name_decoded = img_name.encode('cp1252').decode('gbk')
    except UnicodeDecodeError:
        img_name_decoded = img_name.encode('utf-8').decode('gbk', 'ignore')
    
    # 过滤非图片文件
    if not img_name_decoded.lower().endswith(('.jpg', '.jpeg', '.png')):
        continue
    
    # 生成路径
    base_name = os.path.splitext(img_name_decoded)[0]
    img_path = os.path.join(input_images_dir, img_name)
    label_path = os.path.join(input_labels_dir, f"{base_name}.txt")  # 关键修正
    
    # 检查文件存在性
    if not os.path.exists(img_path):
        print(f"图片不存在: {img_path}")
        continue
    if not os.path.exists(label_path):
        print(f"标签不存在: {label_path}")
        continue
    
    # 读取图片
    img = cv2.imread(img_path)
    if img is None:
        print(f"图片读取失败: {img_path}")
        continue
    img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
    # 解析YOLO标签
    with open(label_path, 'r') as f:
        lines = f.readlines()
    
    bboxes = []
    class_labels = []
    for line in lines:
        parts = line.strip().split()
        if len(parts) != 5:
            print(f"无效标签格式: {label_path}")
            continue
        class_id, x_center, y_center, width, height = map(float, parts)
        bboxes.append([x_center, y_center, width, height])
        class_labels.append(class_id)
    
    # 应用增强（每个样本生成35个增强版本）
    for aug_idx in range(35):
        try:
            augmented = aug(image=img, bboxes=bboxes, class_labels=class_labels)
        except Exception as e:
            print(f"增强失败: {img_path} - {str(e)}")
            continue
        
        aug_img = augmented['image']
        aug_bboxes = augmented['bboxes']
        aug_labels = augmented['class_labels']
        
        # 生成新文件名
        new_base_name = f"{base_name}_aug{aug_idx}"
        new_img_name = f"{new_base_name}.jpg"
        new_label_name = f"{new_base_name}.txt"
        
        # 保存增强图片
        aug_img_bgr = cv2.cvtColor(aug_img, cv2.COLOR_RGB2BGR)
        cv2.imwrite(os.path.join(output_images_dir, new_img_name), aug_img_bgr)
        
        # 保存新标签（过滤越界坐标）
        with open(os.path.join(output_labels_dir, new_label_name), 'w') as f:
            for label, bbox in zip(aug_labels, aug_bboxes):
                # 坐标合法性检查
                if any(coord < 0 or coord > 1 for coord in bbox):
                    continue
                line = f"{int(label)} {bbox[0]:.6f} {bbox[1]:.6f} {bbox[2]:.6f} {bbox[3]:.6f}\n"
                f.write(line)

print(f"增强完成！结果保存在: {output_images_dir}")

将模型转换为onnx：yolo mode=export model=runs/detect/train72/weights/best.pt format=onnx simplify=True（注意改model后面的路径），参考：yolov8.1超简单环境搭建、标注、训练、转onnx、转输出维度

7、OCR入门

参考视频：Python 实现 OCR 识别提取图片文字，多语言支持，步骤简单小白也能学

二、YOLOv8改进

1.添加注意力机制模块

参考资料：YOLOv8模型改进 第九讲 添加EMAttention注意力机制

2.添加损失函数

参考资料：YOLOv8模型改进 第十一讲 添加自适应阈值焦点损失（ATFL）函数解决类别不平衡

3.替换优化器

参考资料：Yolov8目标检测模型改进 模型替换 优化器 一通百通

三、OCR模块改进

1. 智能倾斜旋转

2. 药品数据库辅助

3. 借助大模型纠正

四、SQLite

参考资料：世界上装机量最大的数据库SQLite，低调但不小众

五、论文图像绘制

参考资料：

六、问题记录

在这里插入图片描述

在这里插入图片描述

  • 训练模型是出现 WARNING NMS time limit 2.150s exceeded 解决方法。
  • VSCode用jupyter绘图时出现例如<Figure size 600x600 with 1 Axes> 解决方法：在导入库的代码之后添加%matplotlib inline。
  • 在VSCode中如果运行代码出现FileNotFoundError: [WinError 3] 系统找不到指定的路径。: './images'类似问题 解决方法：将./images路径改为绝对路径，具体方法：右键点击复制路径，注意将路径中的\改为/。 建议能使用绝对路径就尽量使用绝对路径（看需要，有的则只需要相对路径即可，具体问题具体分析）。
  • 报错OutOfMemoryError: CUDA out of memory. Tried to allocate 16.00 MiB (GPU 0; 4.00 GiB total capacity; 2.72 GiB already allocated; 0 bytes free; 2.81 GiB reserved in total by PyTorch) If reserved memory is >> allocated memory try setting max_split_size_mb to avoid fragmentation. See documentation for Memory Management and PYTORCH_CUDA_ALLOC_CONF 我是打开俩个VSCode进行跑了，有一个跑完没关，可能没释放内存，建议跑完一个训练模型后关掉再跑另一个，就正常训练了。
  • 下载公开数据集没有classes文件怎么知道分类，下面是腾通元宝给出的代码，可以知道分类。其实看labels文件夹里面的txt文件的命名方式即可。如 car_001.jpg, person_005.png （如果都是数字，则一般第一个数字是类别，结合具体图片了解后面数字代表含义）
  • 报错RuntimeError: DataLoader worker (pid(s) 43684, 32944, 31592) exited unexpectedly。解决方法：在命令行python下import torch torch.cuda.empty_cache() # 如果使用 GPU 可行 exit()重新运行训练代码即可（或者关闭一些无用的后台应用，减少内存占用）。
  • 数据集太大，需要自己手动标注，或者用自动标注后需要手动修改，记得一定要勾选自动保存，不然一切重头开始，真的很搞心态。
import os

def find_classes(label_dir):
    class_ids = set()
    
    # 遍历所有标签文件
    for label_file in os.listdir(label_dir):
        if not label_file.endswith(".txt"):
            continue  # 跳过非txt文件
            
        file_path = os.path.join(label_dir, label_file)
        with open(file_path, 'r') as f:
            for line in f:
                parts = line.strip().split()
                if len(parts) >= 5:  # YOLO格式至少5个值（class, cx, cy, w, h）
                    class_id = int(parts[0])
                    class_ids.add(class_id)
    
    return sorted(class_ids)

# 使用示例
label_dir = "dataset/labels/"  # 根据实际情况修改路径
detected_classes = find_classes(label_dir)
print(f"数据集中存在的类别ID: {detected_classes}")

# 生成classes.txt（需手动映射ID到名称）
with open("dataset/classes.txt", 'w') as f:   # 根据实际情况修改路径
    f.write("\n".join(map(str, detected_classes)))
  • yaml文件修改后记得按ctrl加s保存，再训练，不然会报错。
  • 使用cursor提问chat修改代码时，最好给出文件给它提问，这样可能会更快达到预期。
  • 有时候不知道为什么无缘无故运行python代码会出现莫名其妙的语法错误，而且在cursor中不报错，在VsCode中就报错，没搞懂为什么？但是删了这个文件重建一个文件，把内容拷贝过去就可以了，懂的大佬可以评论解释一下。
  • Tensorrt部署问题：
  • 微信开发者工具真机调试报错：“errno“: 600001, “errMsg“: “request:fail -2:net::ERR_FAILED“，但是电脑端直接预览没有错，我搜了资料说是“手机和电脑不在同一个局域网，或者在了同一个局域网内IP地址没写对”，参考：解决微信小程序真机测试出现errno：600001错误，但我检查了，都是一致的。结果我发现我手机开的vpn，把vpn关掉就行了。
  • 不能语音播报？手机开静音模式了，笑了。

七、模型评价（性能指标）

参考：【YOLOv8小白入门09】目标检测模型性能指标；深度学习实验部分常见疑问解答三！(怎么判断模型是否收敛？模型过拟合怎么办？)；Yolov8网络模型训练参数详解
论文中图像绘制：手把手教你YOLOv8画对比图，画改进后的对比图，支持多个实验结果，写作和科研必备(全网最详细)

八、前端：微信小程序速成

建议：前后端开发同时进行，先完成接口，先完成再完善。
参考视频及资料：

重点笔记及摘要：

  • app.json文件不能写任何注释

九、后端：Flask速成

建议：前后端开发同时进行，先完成接口，先完成再完善。

十、云服务器的使用：部署后端代码

  • 为什么要用云服务器？：用Flask部署有网络IP限制：手机与电脑连接同一个网络或热点才能正常运行，若要解除这个限制，就用到了云服务器。
  • 如何上传自己电脑上的文件/项目到云服务器上？

使用 WinSCP（图形界面，更直观） （具体使用方法参考文件传输工具WinSCP安装与使用教程）

  1. 下载并安装 WinSCP（官网下载太慢了，参考点这）
  2. 打开 WinSCP 填写连接信息：
    • 主机名：你的服务器IP
    • 用户名：root
    • 密码：你的服务器密码
  3. 点击"登录"
  4. 左侧窗口是你的本地文件，右侧是服务器文件。找到你的项目文件，拖拽到右侧的目录中即可。

十一、好用工具

十二、参考视频及资料

最后

  • AIGC率到底应该怎么降？
    网上很多人说利用ai来降ai，但本人越降越高，所以放弃了该方法。若ai率很高，那么查重率应该很低，这两者需要有一个权衡，也就是可以通过提高查重率来降低ai率，本人是一段一段用自己的话来转述ai的话，同时引用文献进去，穿插到ai的话中，也要调整ai的句式结构，加些口语化的词这样。若是字数足够的话，直接删除ai率较高的段落是一种简单的降ai方法。（还有一种方法，但博主没实践过，就是通过往论文中添加代码从而增加论文字数，而代码很难增加查重率和ai率，由此降低ai率，理论上可行，但博主没实践过）

毕设闲暇之余或标图片期间，无聊可以看易中天教授、王立群教授、毕淑敏作家等所讲的百家讲坛，尤其推荐 易中天 教授，讲得十分生动有趣，十分有意思。
学习资料：YouTube CCTV百家讲坛官方频道

  • 最近在追 《棋士》，很好看。但我感觉：世界上只有一种病——穷病。
  • 《漫长的季节》 也不错，之前没看，现在补上。
【项目经验分享】YOLO系列与毕业设计项目定制
源代码杀手的博客
09-27 2272
涵盖不同领域和难度的YOLO目标检测案例。
毕设：基于yolov5的手势识别与应用-项目概况
weixin_48436391的博客
07-26 5513
设计实现了一个基于yolov5与OpenCv的手语手势识别系统。
毕业设计 深度学习Yolo11暴力行为识别系统（源码+论文）
最新发布
HUXINY的博客
06-24 783
毕业设计 深度学习Yolo11暴力行为识别系统（源码+论文）
基于YOLOv8的多端车流检测系统（用于毕设+开源）
热门推荐
Pan_peter的博客
08-01 3万+
👉系统可大体分为两大模块（客户端、网页端）👉基于yolov8的多端检测系统_哔哩哔哩_bilibili大佬们，都是有问必答，并且十分有耐心，呜呜呜，太感动了！还有很多优秀的开源项目，太赞了！
毕业设计-基于深度学习的鱼群计数识别系统 YOLO python 卷积神经网络 人工智能
2301_79555157的博客
11-21 1416
毕业设计-基于深度学习的鱼群计数识别系统的毕业设计。该系统利用先进的深度学习技术，通过对鱼群图像进行分析和处理，实现了自动的鱼群计数和识别功能。设计中采用了卷积神经网络和目标检测算法，有效地解决了传统方法中鱼群数量统计和识别的难题。通过实验验证，该系统在不同场景下的鱼群计数和识别准确率均达到了令人满意的水平。对于海洋生态监测、渔业资源管理等领域具有重要的应用价值，为相关领域的研究和实践提供了有效的技术支持。
毕业设计-基于深度学习的人群多目标识别跟踪系统 YOLO python 卷积神经网络 人工智能
毕设帮助,疑难解答,欢迎打扰!
12-13 666
基于深度学习的人群多目标识别跟踪系统作为计算机毕业设计的重要课题。该系统利用最新的深度学习技术，结合目标检测和目标跟踪算法，实现了高效准确的人群多目标识别与跟踪功能。通过训练深度神经网络模型，系统能够在复杂场景下自动检测和识别出人群中的多个目标，并实时跟踪它们的位置和运动轨迹。这项毕业设计项目不仅展示了深度学习在人群分析领域的潜力，还为视频监控、行为分析和智能安防系统提供了一种高效解决方案。读者将了解如何构建一个基于深度学习的人群多目标识别跟踪系统，并深入了解其在实际应用中的优势和挑战。
【毕业设计】深度学习 python opencv 动物识别与检测
HUXINY的博客
07-21 2003
🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩基于深度学习的动物识别算法研究与实现🥇学长这里给一个题目综合评分(每项满分5分)难度系数4分工作量4分创新点3分🧿https通过pip指令即可安装在命令行中输入labelimg即可打开httpshttpshttpshttps。...
高氏起源！！！！！！！！！！！！！！！1
03-12
高氏起源与发展的历史，是一部波澜壮阔的家族史诗，它不仅是中国姓氏文化的一个缩影，更是中华文明绵延不息、世代相传的一个重要证明。高氏族人应继续传承和弘扬高氏的优秀传统，为中华文化的繁荣和世界文化的多元...
六十年史诗！CPU的历史~！
03-21
《六十年史诗！CPU的历史~！》 CPU，全称中央处理器，是现代计算机的核心部件，也是微处理器的代名词。自1946年ENIAC诞生以来，CPU的发展经历了无数变革，从庞大的电子管装置到如今小巧高效的硅芯片，它的进化历程...
Duke-Gizmo.github.io:史诗青蛙！
06-18
史诗青蛙游戏 箭头键移动玩家船 你有3条生命，不要击中任何敌舰！ 拿起盾牌可以保护玩家船免受敌船的伤害。... 当玩家返回时，另一个盾牌也会添加到地图上。 盾牌可以叠加。 游戏结束后刷新页面重新开始。
卅年史诗！最全CPU完全收藏（很多CPU你听都没听说过）
03-04
从早期的8086到如今的酷睿（Core）系列，Intel的CPU经历了多次革新，不断推动着计算性能的提升。 AMD（Advanced Micro Devices）作为Intel的主要竞争对手，同样在CPU市场占有重要地位。从K5到锐龙（Ryzen），AMD的...
基于YOLOv8+DeepSort的目标跟踪的数据集
11-12
本文主要讲解的是基于YOLOv8+DeepSort的目标跟踪，从模型下载、环境部署、模型训练、模型评估、到模型预测的史诗级详细教程，使用的是YOLOv8-DeepSORT-Object-Tracking模型即是YOLOv8+DeepSort的目标跟踪(视频跟踪）...
毕业设计-基于深度学习的车辆实时检测与跟踪系统 YOLO 卷积神经网络 人工智能 CNN
2301_79555157的博客
11-11 8199
毕业设计-基于YOLOv5s的车辆实时检测与跟踪系统的毕业设计。通过结合YOLOv5s模型和目标跟踪技术，该系统能够实时准确地检测和跟踪道路上的车辆。解释了YOLOv5s模型的原理和使用方法，并展示了如何在实时视频流中实现车辆检测和跟踪。这个系统具有广泛的应用前景，可以用于交通监控、智能驾驶等领域。如果你对车辆检测和跟踪技术感兴趣，不妨阅读这篇博文了解更多细节和实现方法。
毕业设计记录-yolov5训练自己的数据集全过程（从数据集标注到最后的图片测试）
gaohuayu66的博客
01-02 1万+
文章目录1、标注数据集2、训练前数据集的准备工作3、修改训练相关的代码4、用训练好的权重来测试 2022.1.2的记录： 1、标注数据集 我这里标注数据集使用的软件是labelImg，labellmg下载链接 我下的是最新版本的。 原本昨天是想标1000张的，但是好累啊，就每个信号标了50张，一共200张。 在标注之前，首先需要建立像这样的俩个文件夹（任意位置即可） 把你需要标注的图片放到JPEGImages文件夹里面，并且名字按顺序排好，像这样。 之后就可以开始标数据集了。打开labelImg。 标完之后
大数据毕设分享 yolo深度学习动物识别
mabile123444的博客
01-22 509
这里是学长的优质毕业设计项目分享，今天要分享的是🚩基于深度学习的动物识别算法研究与实现毕业设计 深度学习的动物识别系统通过pip指令即可安装在命令行中输入labelimg即可打开打开你所需要进行标注的文件夹，点击红色框区域进行标注格式切换，我们需要yolo格式，因此切换到yolo点击Create RectBo -> 拖拽鼠标框选目标 -> 给上标签 -> 点击ok。
毕业设计：基于机器学习的飞鸟目标检测系统 YOLO
Hai_Lang_IT的博客
02-23 1258
毕业设计：基于机器学习的飞鸟目标检测构建一个高性能的飞鸟检测模型，采用YOLOv8作为基础网络架构，结合图像处理技术和数据增强方法，提升模型对不同种类飞鸟的检测能力。通过采集多种环境下的飞鸟图像数据，建立相应的训练数据集，为模型的训练提供充分的数据支持。不论是对于对深度学习技术感兴趣的同学，还是希望探索机器学习、算法或人工智能的领域的同学，都能为提供丰富的选题资源和灵感。
【毕业设计】深度学习 YOLO 实现车牌识别算法
HUXINY的博客
07-15 1万+
🔥这两年开始毕业设计和毕业答辩的要求和难度不断提升，传统的毕设题目缺少创新和亮点，往往达不到毕业答辩的要求，这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的是🚩基于yolov5的深度学习车牌识别系统实现🥇学长这里给一个题目综合评分(每项满分5分)难度系数4分工作量4分创新点3分🧿https智能车牌识别是现代智能交通系统的重要组成部分，广泛应用于高速公路、停车场、路口等场景。https。...
毕业设计-基于机器目标检测优化算法研究- YOLO
Hai_Lang_IT的博客
01-02 1858
毕业设计-基于机器目标检测优化算法研究- YOLO：随着人工智能技术的不断发展，人们对实时获取图像中特定目标的位置及所属类别的需求日益增大。目标检测技术是人工神经网络[1]（Artificial Neural Network, ANN）的一个重要研究方向，被广泛应用于人们生活的方方面面中，例如无人驾驶、文本检测、疫情防控和军事侦察等领域。 随着消费水平的不断提高，人们对汽车的智能化要求越来越高，无人驾驶技术应运而生。 由于路况复杂，无人驾驶对目标检测算法的性能要求极高，需要将所有重要目标都精确检出来，一旦
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Once_普通学生

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值