FL1623863129的博客

因此，为了获得与学术研究一致的评估结果，我们需要使用COCO官方评估协议。这些指标全面反映了模型在不同严格程度下的性能表现，为模型优化和比较提供了客观依据。AR @0.5..0.95: 0.735 (在不同IoU阈值下的平均召回率)AR @0.75: 0.799 (IoU阈值为0.75时的召回率)AP @0.75: 0.752 (IoU阈值为0.75时的精度)AR @0.5: 0.924 (IoU阈值为0.5时的召回率)AP @0.5: 0.891 (IoU阈值为0.5时的精度)

由于在云服务器上安装Swin-Transformer-Object-Detection，执行image_demo.py时候弹不出显示结果窗口，这个是因为没有桌面环境造成。因此需要修改写出图片结果进行查看。文件位置：Swin-Transformer-Object-Detection/demo/image_demo.py。

YOLO11 是Ultralytics YOLO 系列实时物体检测器的最新版本，以尖端的精度、速度和效率重新定义了可能性。基于先前 YOLO 版本的令人印象深刻的进步，YOLO11 在架构和训练方法方面引入了重大改进，使其成为各种计算机视觉任务的多功能选择。​。

在IoU=0.5时，如果预测框与真实框的重叠程度达到或超过50%，则认为该预测是正确的。mAP50-95的计算考虑了从宽松到严格的多个IoU阈值，因此能够更全面地评估模型的性能。经过上面训练我可以使用模型做一步部署，比如使用Onnx模型在嵌入式部署，使用engine模型在jetson上deepstream部署，使用torchscript模型可以在C++上部署等等。这包括了所有类别对象的总和，例如，如果验证集包含100张图片，每张图片平均有5个目标对象，则Instances为500。表示验证集中的图片数量。

【算法介绍】

街道环境复杂多样，摊位分布灵活多变，像不同时间段的人流量差异导致的摊位聚集位置变化、摊位所售商品种类繁多带来的形态各异以及摊位所处的不同街道位置（如路口、人行道边缘等）等，这些状况不仅直观反映了街道当下的管理秩序，更与城市的整体运行效率、居民的生活质量等紧密相连。传统目标检测模型对摊位经营的多变性（如不同经营时段摊位的规模变化、不同商品种类的摆放差异）和尺度变化（从小型手推车摊位到大型帐篷摊位）适应性较差，对于小目标（如单个售卖小物件的摊位）的漏检率超过 50%，难以满足实际城市街道管理的复杂需求。

传统目标检测模型对番茄生长的多样性（如不同生长阶段的大小变化、不同品种的形态差异）和尺度变化（从幼果的小巧到成熟果实的饱满）适应性较差，对于小目标（如刚结果的小番茄）的成熟度漏检率超过 40%，难以满足实际种植场景的复杂需求。大棚环境复杂多变，番茄植株生长状态丰富多样，像不同生长阶段的叶片形态、果实大小变化以及果实所处的不同位置等，这些状态不仅直观反映了番茄当下的生长健康状况，更与种植户的整体收益、市场供应的稳定性等紧密相连。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。

传统目标检测模型对小鸡鸡苗行为的多样性（如快速奔跑、缓慢踱步、相互啄咬等不同行为模式）和尺度变化（从刚孵化的小鸡的弱小到稍大鸡苗的相对健壮）适应性较差，对于小目标（如刚出壳的小鸡）的行为漏检率超过 45%，难以满足实际养殖场景的复杂需求。鸡舍环境复杂多变，小鸡鸡苗的行为状态丰富多样，像日常的吃喝活动、四处走动探索、安静休息睡眠等，这些行为不仅直观反映了小鸡鸡苗当下的生理健康状况，更与养殖场的整体生产效率、疾病传播风险等紧密相连。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。

传统目标检测模型对猪只行为的多样性（如行走、奔跑、嬉戏、争斗等不同行为模式）和尺度变化（从幼猪的小巧灵活到成年猪的庞大笨重）适应性较差，对于小目标（如幼猪）的行为漏检率超过 40%，难以满足实际养殖场景的复杂需求。猪场环境复杂多变，猪只的行为状态丰富多样，像日常的吃喝活动、嬉戏玩耍、休息睡眠，以及一些具有特殊意义的互动行为等，这些行为不仅直观反映了猪只当下的生理健康状况，更与养殖场的整体生产效率、疾病传播风险等紧密相连。验证集是用来评估模型性能的数据集，与训练集分开，以确保评估结果的公正性。

【算法介绍】

【算法介绍】

最后运行项目选择x64 Debug即可，由于初次运行可能报错，如果报错请查看blog.youkuaiyun.com/FL1623863129/article/details/135424751。（3）导出onnx模型：yolo export model=yolov13n.pt format=onnx dynamic=False opset=12。yolov12官方框架：github.com/iMoonLab/yolov13/releases/tag/yolov13。（2）下载模型：yolov13n.pt。

【算法介绍】

YOLOv11以卓越的实时性与多尺度特征融合能力为核心，可快速处理车载摄像头或无人机采集的路面图像，精准标注坑洞位置。早期基于传统图像处理的方法，受路面阴影、积水、相似纹理干扰，误检率高且无法精准定位微小坑洞，难以满足精细化养护要求。因此，研发高效、精准的道路坑洼坑洞智能检测技术，成为提升道路安全与运维效率的关键。（2）切换到自己安装的yolo11环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可。在目标检测任务中，评估模型的性能是至关重要的。

实际应用中，该系统可嵌入巡检机器人或移动终端，实现钢索电缆线的自动化巡检，降低人工漏检率，提升维护效率。YOLOv11作为最新迭代版本，引入C3k2块、SPPF和C2PSA组件，显著增强特征提取能力，在复杂背景中实现高精度定位，同时通过轻量化设计适配边缘计算设备，满足实时检测需求。通过比较不同模型在这些指标上的表现，可以判断哪个模型在实际应用中可能更有效。在目标检测任务中，评估模型的性能是至关重要的。数据集格式：YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的yolo格式txt文件)

例如：pip install paddlepaddle-gpu==3.0.0 -f https://www.paddlepaddle.org.cn/whl/stable.html。或者使用venv创建虚拟环境：python -m venv paddle_env，然后在Windows上激活：paddle_env\Scripts\activate，在Linux/MacOS上激活：source paddle_env/bin/activate。如果需要GPU支持，安装GPU版本的PyTorch。

系统核心采用YOLOv11模型，其网络结构通过C3k2块、SPPF模块及C2PSA注意力机制的优化，显著提升了特征提取能力与空间注意力，尤其在复杂场景下对小目标和重叠目标的检测精度显著提升。在数据层面，系统基于TT100K等公开数据集进行训练，结合旋转、缩放、翻转等数据增强技术，确保模型在多场景、多光照条件下的泛化能力。该系统利用YOLOv11目标检测算法的最新优势，实现对45类常见交通标志的高效、精准识别，包括限速牌、停车标志、禁止通行等。在目标检测任务中，评估模型的性能是至关重要的。

本项目是基于卷积神经网络模型开展表情识别的研究，为了尽可能的提高最终表情识别的准确性，需要大量的样本图片训练，优化，所以采用了 FER2013 数据集用来训练、测试，此数据集由 35886 张人脸表情图片组成，其中，测试图 28708 张，公共验证图和私有验证图各 3589 张，所有图片中共有7种表情。

【代码】yolov9的网络配置文件yaml和根据yaml绘制的网络结构图。

【代码】YOLOv8的网络配置文件yaml和根据yaml绘制的网络结构图。

【代码】YOLOv11的网络配置文件yaml和根据yaml绘制的网络结构图。

首先到gitee.com/FIRC/fircfiles/blob/master/ppocrv5.md获取代码，然后按照使用说明安装好环境，注意onnxruntime版本和是否需要GPU版本支持。（推荐，效果更好，但是推理时间会变长）

本项目是一个基于PyQt5和PaddleOCR的手写汉字识别系统。用户可以在界面上用鼠标手写汉字，点击"开始识别"按钮后，系统会自动识别手写内容并在下方显示识别结果。

输电线路周边可能出现的塑料薄膜、风筝线、广告布等异物，极易因风力、振动等因素缠绕导线，引发短路、闪络甚至火灾事故，对电网安全构成重大威胁。标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["balloon","kite","nest","trash"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)在目标检测任务中，评估模型的性能是至关重要的。

YOLOv11具有出色的实时检测性能和广泛的适应性，能快速处理无人机采集的高分辨率影像数据，精准识别鸟巢。同时改进检测头，提升对鸟巢边缘、纹理变化的敏感度，即使鸟巢被枝叶遮挡或处于逆光阴影环境，也能准确识别。在各种复杂环境下，该算法仍能快速标注鸟巢位置，为电力部门提供可靠数据，推动输电线路鸟巢检测技术的深度应用，保障电力系统安全稳定运行。早期基于简单图像识别的检测技术，受无人机拍摄角度、光照及复杂自然背景影响，无法精准定位隐蔽鸟巢，漏检、误检问题突出，难以满足精细化管理需求。nest 框数 = 1375。

该系统依托YOLOv11算法改进的骨干网络与颈部架构，显著增强复杂环境下的特征提取能力，可准确识别"Running（奔跑）""Walking（行走）""Laying_down（躺卧）""Seated（坐姿）""Stands（站立）"及未定义状态（Not_defined）六类人体姿态。Running（奔跑）""Walking（行走）""Laying_down（躺卧）""Seated（坐姿）""Stands（站立）"及未定义状态（Not_defined）六类人体姿态。你提到的几个术语是评估模型性能的常用指标。

该系统利用YOLOv11目标检测模型的先进架构，能够高效识别四种主要病害：Cercospora（壳针孢）、Miner（潜叶蝇）、Phoma（叶斑病）和Rust（锈病）。标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Cercospora","Miner","Phoma","Rust"]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)

标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["1st Molar","1st Premolar","2nd Molar","2nd Premolar","3rd Molar","Canine","Central Incisor","Lateral Incisor"]=>["第一磨牙","第一前磨牙","第二磨牙","第二前磨牙","第三磨牙","犬齿","中切牙","侧切牙"]在目标检测任务中，评估模型的性能是至关重要的。

其全新的网络结构，包括优化的骨干网络、Anchor-Free检测头和新的损失函数，使得模型在各种硬件平台上都能表现出色。总之，基于YOLOv11的鱼病害检测系统为鱼类病害的快速识别和诊断提供了一种高效、准确的解决方案。基于YOLOv11的鱼病害检测系统是一种先进的解决方案，利用深度学习算法实现高效准确的目标检测。（2）切换到自己安装的yolo11环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可。在目标检测任务中，评估模型的性能是至关重要的。

基于YOLOv11的人员睡岗检测系统通过AI算法与实时视频分析技术，可精准识别监控场景中的人员状态，包括正常状态（normal）、睡眠状态（sleep）及玩手机行为（play）。据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["normal","play","sleep"]

YOLO是一种先进的目标检测算法，具有检测速度快、精度高、模型轻便等多重优势。它能够实时、准确地识别图像或视频中的灭火器。YOLO算法将目标检测任务视为回归问题，通过单个神经网络即可完成目标边界框的定位和类别的预测，大大提高了检测速度。随着YOLO算法的不断迭代，如YOLOv5、YOLOv8等版本的推出，其在检测精度和速度上都有了显著提升。

其动态锚点自适应机制与多层级特征融合架构，使模型能够精准捕捉不同角度、遮挡状态下的设备形态，对小尺寸设备（如折叠屏手机）及复杂背景（如金属工具干扰）的识别准确率超95%。系统依托YOLOv11深度学习模型，可实时检测并定位画面中出现的手机，一旦识别到目标设备即判定为违规行为，并触发预警机制。数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)在目标检测任务中，评估模型的性能是至关重要的。

然而现实中，部分大型犬存在未佩戴牵引绳、嘴套等护具的情况，这不仅增加了犬只走失和意外伤人的风险，还可能埋下公共安全隐患，对社会的和谐稳定构成潜在威胁。这通常是因为模型参数过多，而训练数据量相对较小，导致模型学习到了训练数据中的噪声或特定模式，而无法泛化到新的数据。精确度是模型预测为正样本的实例中，真正为正样本的比例。传统的大型犬护具检测方式主要依赖人工巡检，但这种方式效率低下、覆盖范围有限，难以满足城市大规模、高密度宠物管理的需求，且易受环境光线、犬只状态及巡检人员主观判断的影响，出现漏检或误判。

这通常是因为模型参数过多，而训练数据量相对较小，导致模型学习到了训练数据中的噪声或特定模式，而无法泛化到新的数据。原因一：欠拟合：如果训练数据量过小，模型可能无法学习到足够的特征，从而影响预测效果，导致欠拟合，进而使MAP偏低。在目标检测任务中，评估模型的性能是至关重要的。（2）增强数据预处理：对数据进行适当的预处理和增强，如数据归一化、缺失值填充、数据扩增等，以提高模型的泛化能力。（1）优化模型结构：根据任务和数据集的特点选择合适的模型，并尝试使用不同的网络架构和构件来改进模型性能。

该系统基于YOLOv11模型构建，用于精准检测柑橘橘子在树上（on_tree）和地下（on_ground）的位置，为果园管理提供重要数据支持。系统采用YOLOv11作为核心算法框架，相较于之前版本，YOLOv11在检测精度和速度上都有显著提升。其主干网络采用C3k2块，替代了之前版本中的C2f块，提升了计算效率；在颈部引入了C2PSA模块，增强了空间注意力机制，使模型能够更好地捕捉柑橘橘子的特征。数据集方面，系统使用了专门为果园环境设计的数据集，包含标注了边界框的图像，用于标记树上和地面上的果实。

基于YOLOv11的齿轮缺陷检测系统，是针对齿轮制造与维护领域开发的高效自动化检测工具。该系统依托YOLOv11目标检测算法，利用其增强的特征提取能力（如C3k2块与C2PSA模块）和优化的检测头设计，实现对齿轮表面缺陷的高精度识别，可精准定位“break（断裂）,lack（断齿）与scratch（划痕）等典型缺陷类型。系统支持单张图像、视频流及实时摄像头画面检测，满足不同场景的检测需求。

基于YOLOv11的鱼新鲜度检测系统，是一款融合深度学习与计算机视觉技术的创新应用。该系统依托YOLOv11目标检测算法的强大性能，能够高效、精准地识别鱼类的新鲜度状态，区分“fresh”（新鲜）与“no-fresh”（不新鲜）两类目标。在技术实现上，系统首先通过构建包含大量标注鱼类图像的数据集进行模型训练，这些图像涵盖了不同鱼类品种、新鲜度状态及拍摄环境，确保模型具备广泛的适应性和鲁棒性。训练过程中，YOLOv11凭借其优化的网络结构和先进的特征提取能力，能够快速学习到鱼类新鲜度的关键特征。

【代码】[python]yolo11安装后测试代码。

基于YOLOv11的绵羊检测系统，利用Ultralytics YOLOv11这一尖端目标检测模型，实现了对绵羊的精准识别与定位。YOLOv11作为YOLO系列的最新版本，在特征提取、处理速度及精度上均实现了显著提升，尤其擅长处理复杂场景下的多尺度目标检测。该系统通过采集绵羊图像，利用YOLOv11模型进行实时分析，能够快速准确地识别图像中的绵羊，并标注其位置信息。系统不仅提高了养殖管理的效率与精度，还能帮助养殖场主及时了解羊群动态，优化饲料分配，预防疾病传播。

本系统基于先进的YOLOv11目标检测算法，实现了对玉米叶片常见害虫的高效识别，包括**Armyworm（粘虫）**、**Asian-Corn-Borer（亚洲玉米螟）**和**Bollworm（棉铃虫）**。1. **多害虫识别**：通过大量标注数据训练，模型可准确区分三种害虫，并标注其在叶片上的位置，辅助农户快速定位虫害。4. **数据增强**：采用数据集增强策略，提升模型在复杂环境（如叶片遮挡、阴影）下的鲁棒性。3. **实时检测**：在1080P分辨率下可达30FPS以上，满足田间实时监测要求。