CV小涵-优快云博客

原创【数据集】【YOLO】【目标检测】yolo数据集，yolo视觉检测系统详细实战训练步骤！

【数据集】【YOLO】【VOC】目标检测数据集，yolo目标检测系统详细实战训练步骤！博主自己整理的数据集，包括YOLO格式数据集和Pascal VOC格式数据集，含图像原文件和标注文件，几百张到几千张不等，含有国内外图片数据。针对目标检测，YOLO系列模型训练，分类训练等。目标检测算法集研发，含有目标检测yolo完整代码，QT界面完整代码。yolo目标检测，完整标注数据集+项目代码。如需要其他数据集可留言帮忙查找，目前完整数据集目录如下文所示！

2024-11-07 17:18:58 22727 12

原创 YOLO11实例分割训练任务——从构建数据集到训练的完整教程

介绍了YOLO11分割数据集的构建与训练方法。关键点包括： YOLO11分割数据集特性：相比检测任务需要像素级掩码标注，格式包含归一化坐标和轮廓点；数据准备：建议从公开数据集复用或实地采集，注意场景多样性和标注精度控制；实操流程：详细说明从LabelMe标注到YOLO格式转换、数据划分和模型训练的具体步骤；性能优化：通过改进模型架构（BiFormer注意力机制等）和高质量数据集来提升分割精度。文中还提供了完整的代码示例，帮助读者快速实现YOLO11分割任务的训练。

2025-11-19 21:55:39 992

原创【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程

【完整源码+数据集】中药材数据集，yolov8中药分类检测数据集 9709 张，中药材分类识别数据集，中药材识别系统实战教程，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含50种分类，代表人参，水蛭，大枣，百合，黄连，乌梅，厚朴，牡蛎，海马，罗汉果，甘草，三七，通草等等。检测场景为药田、药材市场、药材加工厂、药材仓储等场景，可用于药材种植环节精准管控、采收分拣提质增效、市场流通质量把关、药材仓储安全动态监测等。基于YOLOv8的中药材检测系统实战详细步骤。

2025-11-19 21:25:16 1124 1

原创用 YOLOv8/v11 的模型实现上传视频实时推理——完整脚本

解析了基于 YOLOv8 与 OpenCV 的实现逻辑：从依赖库导入、模型加载、视频读写，到逐帧推理、结果可视化与输出，脚本支持本地视频及摄像头流输入，参数可灵活调整以适配不同需求。YOLOv8 凭借单阶段检测优势，在速度与精度上实现平衡，相比前序版本，在小目标检测、抗复杂环境干扰、低延迟等方面提升显著。落地场景广泛，可高效应用于交通监控、工业质检、自动驾驶、安防监控等领域。

2025-11-18 19:54:50 628

原创【完整源码+数据集】花卉数据集，yolov8花卉分类检测数据集 5758 张，花品种分类识别数据集，花卉分类识别系统实战教程

【完整源码+数据集】花卉数据集，yolov8花卉分类检测数据集 5758 张，花品种分类识别数据集，花卉分类识别系统实战教程，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含15种分类：雏菊，蒲公英，玫瑰，向日葵，黄兰，查特克花，马缨丹，木槿，金银花，苘麻，麻风树，野牡丹，菊花，茉莉，兰花。检测场景为野外花丛、植物园、公园、植物研究所、花圃等场景，可用于园艺种植精准管理、花卉市场高效分拣、生态科研与保护、文旅与科普赋能等。基于yolov8的花卉分类检测系统实战教程。

2025-11-18 19:11:37 1231

原创 Ubuntu系统Anaconda完整安装指南

介绍了在Ubuntu系统中安装配置Anaconda的完整流程。从安装前的系统准备（更新系统、确认架构、检查空间），到Anaconda的下载安装（官网/镜像两种方式），再到安装验证和环境配置。重点讲解了如何添加国内镜像源、创建图形界面快捷方式等优化技巧，并针对conda命令未找到等6种常见错误提供了解决方案。

2025-11-17 21:43:48 992

原创【数据集+完整源码】【YOLO】火焰数据集，目标检测火灾烟雾检测数据集 9848 张，YOLO火焰检测系统实战训练教程

【数据集+完整源码】【YOLO】火焰数据集，目标检测火灾烟雾检测数据集 9848 张，YOLOv8火焰检测系统实战训练教程，目标检测，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中包含2种分类：{'0': 'fire', '1': 'smoke'}，分别是‘火焰’和‘烟雾’。检测场景为森林、街道车辆、医院、商场、机场、车站、办公大楼、施工地等区域，可用于智慧城市、智慧园区、智慧工业、森林防火、园区防火、街道防火等。基于yolov8的火灾烟雾检测系统实战详细步骤。

2025-11-17 11:19:52 1692

原创 YOLO11深度解析：相比YOLOv8的突破与场景升级

YOLO11作为YOLO系列的最新迭代，通过三大核心创新显著提升目标检测性能：在架构层面采用C3k2骨干网络和C2PSA颈部模块，实现参数量减少22%的同时mAP提升1.8%；训练策略引入自适应数据增强和动态优化器，使收敛速度提升30%；推理阶段通过特征筛选和算子融合技术，在RTX4090上达到120FPS推理速度。实测显示，YOLO11在COCO数据集上相较YOLOv8实现精度提升2-3%、速度提升22%，特别在小目标检测（召回率提升16.2%）和遮挡场景（漏检率降低10.5%）表现突出.

2025-11-16 21:19:16 1372

原创 Ubuntu系统CUDA完整安装指南

介绍了在Ubuntu系统上安装CUDA的完整流程和常见问题解决方法。安装前的硬件检查、版本匹配和nouveau驱动禁用等必要准备；提供Deb包和Run文件两种主流安装方式的详细步骤；环境变量配置建议和多版本管理方法；安装后的验证流程；总结了10类高频报错及解决方案，如下载慢、依赖缺失、驱动不匹配等问题。强调版本兼容性和前期准备的重要性，并给出详细的排错指南，帮助快速完成CUDA环境配置。

2025-11-16 20:56:53 1048

原创 YOLO数据集标签数量统计脚本

介绍了一个YOLO格式数据集标签统计脚本，用于分析目标检测数据集的类别分布情况。该脚本通过遍历标签文件夹中的.txt文件，统计每个类别出现的总次数，帮助开发者发现类别不平衡、标注遗漏等问题。文章详细解析了脚本的核心功能实现，包括路径处理、文件筛选、类别计数等关键步骤，并建议通过支持多子集统计和映射类别名称等扩展功能增强实用性。该工具能有效辅助评估数据集质量，为后续模型训练提供数据支撑。

2025-11-15 13:47:59 976

原创【完整源码+数据集】海洋生物数据集，yolov8水下生物检测数据集 7507 张，海洋动物识别数据集，海洋巡检海底生物识别系统实战教程

【完整源码+数据集】海洋生物数据集，yolov8水下生物检测数据集 7507 张，海洋动物识别数据集，海洋巡检海底生物识别系统实战教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含5种分类：代表海胆，海参，扇贝，海星，水草。检测场景为河道、海岸、海底、水下、捕鱼厂等场景，可用于海洋生态保护、渔业资源精准管理、海洋环境预警、海洋科研支撑等。基于YOLOv8的海洋生物检测系统实战详细步骤。

2025-11-15 13:23:17 1229

原创【完整源码+数据集】道路病害数据集，yolov8道路病害检测数据集 3018 张，道路坑洞识别数据集，智慧交通道路坑洼识别系统实战教程

【完整源码+数据集】道路病害数据集，yolov8道路病害检测数据集 3018 张，道路坑洞识别数据集，智慧交通道路坑洼识别系统实战教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含1种分类：names: ['pothole']，代表道路病害。检测场景为城市道路、乡镇道路、高速公路、园区内部道路等场景，可用于道路日常养护精准化、应急处置高效化、通行安全保障化等。基于yolov8的道路病害检测系统实战详细步骤。

2025-11-14 14:06:24 1090

原创计算机视觉——图像数据增强从原理到落地的全解析

介绍了图像数据增强技术在计算机视觉中的应用。首先分析了数据增强的核心原理：通过模拟图像的自然变异生成新样本，迫使模型关注本质特征而非训练集噪声，从而提高泛化能力。将增强方法分为基础几何/像素变换、进阶局部/语义增强和任务特定增强三类，详细说明各类操作的使用场景和注意事项。提供PyTorch和TensorFlow框架下的代码实现示例，并推荐Albumentations等实用工具库。总结了常见误区，如过度增强导致语义失真、验证集误用增强等，强调应根据任务特性定制策略并进行有效性验证。

2025-11-14 09:42:20 912 2

原创 YOLOv8轻量化改进实战——使模型更适配边缘设备

YOLOv8在边缘设备部署中存在计算瓶颈问题，针对这个问题进行轻量化改进。通过GELAN模块替换C2f结构、ECA注意力机制优化、SPPF模块改进等结构重构方法，将模型参数量减少；结合INT8量化技术使模型体积缩减；采用知识蒸馏方法让学生模型达到接近教师模型的精度水平。最终在Jetson Xavier NX等边缘设备上实现30FPS+的实时检测性能，推理速度提升数倍以上，同时精度保持不变或略有提升。

2025-11-12 19:59:27 1098 1

原创【完整源码+数据集】武器刀具数据集，yolov8武器刀具检测数据集 4098 张，武器刀具识别数据集，安防监控武器刀具识别系统实战教程

【完整源码+数据集】武器刀具数据集，yolov8武器刀具检测数据集 4098 张，武器刀具识别数据集，安防监控武器刀具识别系统实战教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含2种分类：names: ['guns', 'knife']，代表枪械、刀具。检测场景为道路、商场、办公大楼、公园、枪械军工厂等场景，可用于交通枢纽与重点场所安检、公共场所实时安全防控、校园与社区安全保障、案件侦查与溯源辅助等。基于YOLOv8的武器刀具检测系统实战详细步骤。

2025-11-12 19:41:55 1151

原创 YOLO关键点检测全流程介绍：从原理到工业落地的实战指南

YOLO关键点检测结合了目标定位与关键点识别的优势，实现了25-30FPS的实时检测和亚像素级精度。其核心在于单阶段端到端预测，通过YOLOv8-Pose等架构的三大模块（特征提取、融合、预测）同时输出边界框和关键点坐标。该技术在工业质检（如压力表读数）、人体姿态估计等场景优势显著：相比传统分割方案，YOLO速度更快（GPU达25-30FPS）、精度更高（误差≤1像素）、部署更轻量，且大幅降低标注成本。通过数据增强、迁移学习等技巧可进一步提升小关键点和遮挡场景的检测效果。

2025-11-11 19:29:31 657

原创【完整源码+数据集】车牌数据集，yolov8车牌检测数据集 7811 张，汽车车牌识别数据集，智慧交通汽车车牌识别系统实战教程

【完整源码+数据集】车牌数据集，yolov8车牌检测数据集 7811 张，汽车车牌识别数据集，智慧交通汽车车牌识别系统实战教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。检测场景为城市道路、工业园区、高速服务区、停车场等场景，可用于交通违法精准执法、车辆溯源与安全防控、停车场智能管理、物流与货运监管、城市车流调度辅助等。共有70个分类，包含车牌的中文、英文、数字，为监控视角拍摄。基于yolov8的汽车车牌检测系统实战详细教程。

2025-11-11 19:13:37 1377

原创 CV三大核心任务：目标检测、图像分割、关键点检测

计算机视觉三大基础任务——目标检测、图像分割和关键点检测，构成智能系统的核心感知能力。目标检测实现"定位+识别"，从R-CNN到YOLOv10持续提升实时性；图像分割完成像素级分类，U-Net、DeepLab等模型推动医疗等领域的精细识别；关键点检测则通过特征定位支持姿态分析。三大任务既独立发展又相互促进，MaskRCNN等融合模型实现性能互补。当前技术已广泛应用于自动驾驶、医疗影像等领域，未来趋势将向统一建模、多模态交互和3D感知演进，推动通用视觉智能的发展。

2025-11-10 18:23:59 1093

原创【完整源码+数据集】课堂行为数据集，yolo课堂行为检测数据集 2090 张，学生课堂行为识别数据集，目标检测课堂行为识别系统实战教程

【完整源码+数据集】课堂行为数据集，yolo课堂行为检测数据集 2090 张，目标检测课堂行为识别系统实战教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含6种分类：代表举手，阅读，书写，使用手机，低头，趴在桌子上。检测场景为学校教室、培训班、办公室等场景，可用于课堂秩序实时维护、个性化教学辅助、学习状态评估与反馈、教学效果优化支撑等。基于yolo的学生课堂行为检测系统实战详细步骤。

2025-11-10 18:08:32 1282 1

原创从零掌握U-Net数据集训练：原理到实战的完整指南

U-Net 模型数据集训练全流程，先解析 U 型架构核心（编码器特征提取、解码器尺寸恢复、跳跃连接融细节）与小样本适配、高精度定位优势。再详解数据集选型、规范组织、批量预处理（含增强、划分）实操，提供完整 PyTorch 实现代码，涵盖模型搭建、损失函数（交叉熵 / Dice / 混合）、优化器与早停策略。搭配训练循环、TensorBoard 可视化及调优技巧，结合 Carvana 汽车分割实战。全文兼顾原理与落地，适合入门者快速上手，也为进阶开发者提供优化思路，助力高效完成图像分割任务。

2025-11-09 20:42:58 776

原创【完整源码+数据集】高空作业数据集，yolo高空作业检测数据集 2076 张，人员高空作业数据集，目标检测高空作业识别系统实战教程

【完整源码+数据集】高空作业数据集，yolo高空作业检测数据集 2076 张，人员高空作业数据集，目标检测高空作业识别系统实战教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含1种分类：names: ['Harness']，代表高空作业。检测场景为施工地、工厂、商场、高楼等场景，可用于工地作业实时安全预警、作业规范监督、应急救援辅助、管理效率提升等。基于YOLOv8的人员高空作业检测系统实战详细步骤。

2025-11-09 20:13:52 1265

原创 YOLO11速度估算全解析：从原理到实战的完整解决方案

YOLO11的目标测速方案，通过YOLO11检测运动目标，配合ByteTrack跟踪算法获取运动轨迹，经透视变换将像素位移转换为真实距离。系统采用YOLO11m模型实现51.5mAP和4.7ms/帧推理速度，支持多种部署格式。核心包括速度估算模块（时空转换+帧率计算）、透视变换矩阵标定及可视化输出。通过推理加速（TensorRT/DeepSparse）和精度优化（卡尔曼滤波、ROI限制）提升性能，实测误差±2km/h。方案已在交通监控和工业场景验证，支持多目标实时测速。

2025-11-08 12:19:51 815

原创【完整源码+数据集】草莓数据集，yolov8草莓成熟度检测数据集 3207 张，草莓成熟度数据集，目标检测草莓识别算法系统实战教程

【完整源码+数据集】草莓数据集，yolov8草莓成熟度检测数据集 3207 张，草莓成熟度数据集，目标检测草莓识别算法系统实战教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含2种分类：names: ['ripe', 'unripe']，代表成熟草莓、未成熟草莓。检测场景为果园、山庄、大棚、水果加工厂等场景，可用于草莓精准采收指导、种植管理优化、病虫害间接预警、采后分拣辅助等。基于yolov8的草莓成熟度实时检测系统实战详细教程。

2025-11-08 12:00:59 1230 2

原创【重要】提升yolo精度的关键技巧——迁移学习，从原理到精度突破的实战路径

YOLO11凭借C3k2并行特征提取、C2PSA注意力增强和轻量化骨干设计，成为迁移学习的理想选择。其预训练模型已学习90%通用视觉特征，迁移时仅需微调10%参数即可快速适配新场景。实践表明，YOLO11在码头安防等场景中表现优异，相比基线模型mAP提升21.4%，且能有效应对恶劣天气、小目标和遮挡等挑战。部署时可通过ONNX/TensorRT转换提升推理速度，并采用增量学习持续优化。

2025-11-07 10:34:49 1033

原创【完整源码+数据集】蓝莓数据集，yolo11蓝莓成熟度检测数据集 3023 张，蓝莓成熟度数据集，目标检测蓝莓识别算法系统实战教程

【完整源码+数据集】蓝莓数据集，yolo11蓝莓成熟度检测数据集 3023 张，目标检测蓝莓识别算法系统实战教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含3种分类：['RipeBlueBerry', 'Semi-RipeBlueBerry', 'UnripeBlueBerry']，代表成熟蓝莓、半成熟蓝莓、未成熟蓝莓。检测场景为果园、山庄、大棚、水果加工厂等，可用于蓝莓精准采收指导、种植管理优化、病虫害间接预警。基于yolo11的蓝莓检测系统详细教程。

2025-11-07 10:11:53 1170

原创 YOLOv11视觉检测实战：安全距离测算全解析

YOLOv11结合单目视觉技术可实现高效安全距离监测，适用于智能交通、工业安防等场景。通过目标检测边界框像素尺寸与相机标定参数（焦距f、目标实际尺寸H），基于相似三角形原理计算距离（Z=H×f/h）。核心流程包括：相机标定、YOLOv11模型加载、距离计算及安全判定（如车辆安全阈值5米）。优化方案包括多类别尺寸库、卡尔曼滤波平滑数据及俯仰角修正。该方案成本低、部署灵活，代码可实现实时监测（30+FPS），普通场景直接复用，高精度需求可升级为双目视觉。

2025-11-06 10:36:45 810

原创【数据集+完整源码】水稻病害数据集，yolov8水稻病害检测数据集 6715 张，目标检测水稻识别算法实战训推教程

【数据集+完整源码】水稻病害数据集，yolov8水稻病害检测数据集 6715 张，目标检测水稻识别算法实战训推教程，包含YOLO/VOC格式标注，训练、验证、测试集已划分。数据集中标签包含3种分类：names: ['Bacteria_Leaf_Blight', 'Brown_Spot', 'Leaf_smut']，分别代表水稻白叶枯病、水稻胡麻斑病、水稻叶黑粉病。检测场景为田地、农业研究院等场景，可用于田间水稻状态实时预警、品种抗病性评估、种植区域病害监测等。yolo水稻病害检测系统实战教程。

2025-11-06 09:49:16 1549

原创超详细！YOLO11 部署 RK3588 全流程：从环境搭建到摄像头实时运行

介绍了YOLO11+RK3588组合在边缘计算中的应用方案。YOLO11凭借轻量架构（5.2M参数）和优化的特征融合模块，在边缘设备上实现高效目标检测；RK3588作为国产算力板，其6TOPS NPU为YOLO11提供强力支撑。文章从硬件选型开始，逐步指导读者完成软件环境搭建、模型转换（ONNX→RKNN）、实时推理代码编写等完整部署流程，并通过剪枝、频率调节等优化手段提升性能。实测在640x640输入下可达64FPS，单帧功耗8.2W，适合安防监控、工业检测等实时场景。

2025-11-05 20:38:18 1344

原创【数据集+完整源码】马数据集，马行为状态识别数据集 3006 张，yolov8目标检测牧场草原马识别算法实战训推教程

【数据集+完整源码】马数据集，马行为状态识别数据集 3006 张，yolov8目标检测牧场草原马识别算法实战训推教程，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['Horse']，代表马。可用于无人机马识别，监控马行为状态检测等。检测场景为草原、牧场、饲养场、马厩、马术赛场等场景，可用于马场养殖健康管理、马术运动训练辅助、野外马群保护监测、牧区道路安全预警等。基于yolov8的马行为状态检测系统详细步骤，前后端分离。

2025-11-05 20:15:54 803

原创 YOLOv8 卷积网络优化全攻略：从原理到实战，让模型又快又准

YOLOv8卷积网络的优化方法。首先分析其核心结构：Conv模块和C2f模块，指出普通卷积存在计算量大、特征冗余等问题。随后提出三类优化方案：轻量化方法（深度可分离卷积、分组卷积+剪枝）可降低70%计算量；特征增强方法（动态卷积、多尺度融合、空洞卷积）能提升小目标检测精度；工程化技巧（量化、层融合）可加速推理。通过平衡计算量、参数量和特征表达能力，实现模型性能的显著提升。

2025-11-04 17:08:19 879

原创【数据集】【YOLO】【目标检测】共享单车数据集，共享单车违停识别数据集 3596 张，YOLO自行车识别算法实战训推教程。

【数据集】【YOLO】【目标检测】共享单车数据集，共享单车识别数据集 3596 张，YOLO自行车识别算法实战训推教程，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['bike']，代表共享单车。可用于无人机共享单车识别，监控共享单车检测等。检测场景为人行道、商场、园区、非机动车道等场景，可用于单车违规停放高效治理、用户停车行为引导、城市非机动车道交通决策支撑等。基于yolo的共享单车检测系统前后端分离实战教程。

2025-11-04 16:28:32 1097

原创 YOLOv8 训练结果指标全解析：从 P/R/F1 到 mAP，一文读懂模型性能

深入解析了YOLOv8模型的评估指标，帮助读者理解并优化模型性能。主要内容包括：基础指标：详细讲解精确率(P)、召回率(R)和F1分数的定义、计算方法和应用场景，揭示它们之间的权衡关系核心指标：重点解读目标检测的核心指标：mAP(平均精度)，包括单类AP和多类mAP的计算逻辑，以及mAP@0.5与mAP@0.5:0.95的区别实用指标：介绍损失函数、速度指标(FPS)和混淆矩阵的实际应用，指导模型调优实战指南：提供查看指标的具体方法、常见问题解决方案和指标分析优先级，帮助

2025-10-31 15:58:49 1864

原创【数据集+完整源码】纸箱数据集 4690 张，YOLO纸箱识别算法实战训练教程，yolo目标检测纸箱检测，纸箱识别数据集

【数据集+完整源码】纸箱数据集 4690 张，YOLO纸箱识别算法实战训练教程，yolo目标检测纸箱检测，纸箱识别数据集，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['0']，代表纸箱。可用于无人机纸箱检测、监控下纸箱检测等。检测场景为车间、物流仓库等场景，可用于物流仓库管理、快递分拣、生产包装管理、工业安全检查等。前后端分离的仓储纸箱检测系统实战教程。

2025-10-31 15:23:01 1155

原创 YOLOv8 + 注意力机制实战教程：从原理到落地

这篇教程详细介绍了如何将注意力机制（SE和CBAM）集成到YOLOv8目标检测框架中，以解决小目标检测不准、复杂背景干扰等问题。文章从YOLOv8的核心结构分析入手，解释了注意力机制的工作原理，提供了SE/CBAM模块的PyTorch实现代码，并指导如何将其插入到YOLOv8的C2f模块中。教程包含完整的配置修改、训练流程和性能验证方法，同时给出了预期效果：SE注意力预计提升1-3%的mAP@0.5精度，CBAM提升更多但计算量更大。最后还总结了常见问题的解决方案和后续优化方向，为开发者提供了实用参考。

2025-10-29 11:54:50 1184

原创【数据集+完整源码】电力塔数据集 2986 张，YOLO输电塔识别算法实战训练教程，yolo目标检测电线杆检测，电力作业电力塔识别数据集

【数据集+完整源码】电力塔数据集 2986 张，YOLO输电塔识别算法实战训练教程，yolo目标检测电线杆检测系统，电力作业电力塔识别数据集，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['Power-Pole']，代表电力塔（输电塔）。可用于无人机电力塔检测、电力作业电线杆检测等。检测场景为工业园区、居民区，山区、河流旁等复杂地形的场景，可用于电力日常巡检效率提升、隐患精准识别、电力运维规划辅助等。YOLO输电塔（电线杆）检测vue页面实战教程。

2025-10-29 11:12:31 1135

原创【数据集+完整源码】吸烟数据集 6953 张，YOLO吸烟检测算法实战训练教程，yolo目标检测抽烟识别。

【数据集+完整源码】吸烟数据集 3261 张，YOLO吸烟检测算法实战训练教程，yolo目标检测抽烟识别，包含YOLO/VOC格式标注。数据集中包含1种分类：“smoking”，表示吸烟行为。检测范围园区吸烟检测、禁烟区吸烟检测、监控吸烟检测、无人机吸烟检测等，可用于工厂、园区、街道、禁烟场所等场景进行人员吸烟行为检测，有效进行火灾预紧，落实消防安全。YOLO吸烟检测系统实战详细教程，源码分享，前端页面分享。

2025-10-28 13:05:05 908

原创【数据集+完整源码】灭火器数据集 3261 张，YOLO灭火器识别算法实战训练教程，yolo目标检测灭火器识别。

【数据集+完整源码】灭火器数据集 3261 张，YOLO灭火器识别算法实战训练教程，yolo目标检测灭火器识别系统，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['extinguisher']，表示"灭火器"。检测场景为工业园区、办公大楼、居民楼消防通道等有灭火器存放的区域，可以实现在火灾发生时快速准确地识别出灭火器的位置，为火灾的及时扑灭提供有力支持。yolo消防灭火器检测系统源码教程。

2025-10-28 11:11:58 1025

原创【数据集】【YOLO】目标检测游泳数据集 4481 张，溺水数据集，YOLO河道、海滩游泳识别算法实战训练教程。

【数据集】【YOLO】目标检测游泳数据集 4481 张，溺水数据集，YOLO河道、海滩游泳识别算法实战训练教程，包含YOLO/VOC格式标注。数据集中包含1种分类：names: ['human']，表示“游泳者”。可用于无人机游泳识别、监控游泳识别等。检测场景为河道、海滩、室内游泳馆、水上乐园等有人员游泳的区域，可用于河道游泳安全预警、游泳监测、环保监管、饮用水安全、工业生产、环境监测。

2025-10-27 11:13:54 1297

原创【数据集】【YOLO】【目标检测】口罩数据集，口罩佩戴识别数据集 1971 张，YOLO佩戴口罩检测算法实战训练教程。

【数据集】【YOLO】【目标检测】口罩数据集，口罩佩戴识别数据集 1971 张，YOLO佩戴口罩检测算法实战训练教程，包含YOLO/VOC格式标注。数据集中包含1种分类：{'0': 'face_mask'}，佩戴口罩。数据集来自国内外图片网站和视频截图。检测场景为城市街道、医院、商场、机场、车站、办公大楼、施工地等人员密集的场所人员口罩佩戴检测，可用于智慧城市、智慧园区、智慧医疗等，服务于保护人员安全、疫情防控工作。

2025-10-27 11:11:06 889

原创复杂环境下视觉检测中的小目标：类型、处理与精度提升

摘要：针对复杂环境下的小目标检测难题，分析了工业检测、安防监控、遥感图像和医疗影像四个典型场景中的小目标类型及其检测难点。提出从数据和特征两个层面增强特征区分度、减少环境干扰，并给出模型优化方案，包括轻量型网络选择、检测头设计优化和后处理改进。此外，还介绍了蒸馏学习、超分辨率重建和多模态融合等进阶技巧，为提升小目标检测精度提供可落地的解决方案。

2025-10-25 21:19:01 737

yolo训推python代码，支持ultralytics yolov8~v11的版本，内含：1.数据集导入到数据集划分 2.voc格式到yolo格式的转换 3.自定义超参数训练模型 4.模型推理

安装环境：先在pycharm终端配置环境！！！！安装anaconda，版本不做要求 conda create --name yolov8 python=3.10 //创建虚拟环境 conda activate yolov8 //激活虚拟环境 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple //一键换源 pip install ultralytics //安装yolo包执行训练推理： 1、将数据集目录下的训练、验证、测试集当中，Annotations里的所有xml文件进行合并，统一复制到项目根目录data文件夹下的Annotations中（复制xml文件，不是文件夹）； 2、将数据集目录下的训练、验证、测试集当中，images里的所有jpg文件进行合并，统一复制到项目根目录data文件夹下的images中（复制jpg文件，不是文件夹）； 3、修改代码根目录下voc\_label.py文件中第六行的标签类别，修改成数据集文件夹中data.yaml对应的标签名称； 4、修改代码根目录下wheat.yaml中的标签类别和“nc”的个数，nc的个数即标签的个数； 5、运行split\_train\_val.py 6、运行voc\_label.py 7、运行train.py (如果需要修改训练轮数，自己修改epoch) 8、predict.py 为推理文件，需要自己自定义路径，代码中含有中文注释的部分！！！注：除了以上代码，其他的不要修改，也不要导入其他文件；

2025-10-28

数据集YOLO目标检测番茄成熟度识别数据集 3862 张，番茄成熟度识别毕业设计，YOLO番茄成熟度识别算法实战训推教程，标注格式为Pascal VOC的xml文件格式

本数据集专为番茄成熟度识别模型开发设计，共包含 3862 张有效样本图像，覆盖温室、露天等不同种植场景及多角度拍摄画面，可充分满足模型对数据多样性的需求；数据集将番茄成熟度划分为三类，分别是 fully-ripe（完全成熟）、semi-ripe（半成熟）和 unripe（未成熟），标注格式采用 Pascal VOC 标准的 XML 格式，无需额外格式转换即可适配多数主流识别模型。数据集根目录下直接划分三个子集文件夹，分别为 train（训练集）、valid（验证集）和 test（测试集），三者功能明确区分：train 文件夹存储多数样本，用于模型学习番茄成熟度的视觉特征，是模型训练的核心数据来源；valid 文件夹用于训练过程中的模型参数调整与性能验证，帮助及时优化模型超参数，避免过拟合；test 文件夹则在模型训练完成后使用，用于评估模型的最终泛化能力，确保模型在未见过的数据上仍能稳定识别。每个子集文件夹（train、valid、test）内部均不单独划分 images 和 labels 子文件夹，图像文件与标注文件直接存放在同一目录下，且二者文件名严格对应，例如图像文件 “tomato_001.jpg”，对应的标注文件即为 “tomato_001.xml”，这种结构能简化数据加载流程，减少文件匹配出错的概率；其中图像文件统一为 JPG 格式，标注文件为 XML 格式，便于模型读取与处理。

2025-10-23

数据集YOLO目标检测番茄成熟度识别数据集 3862 张，番茄成熟度识别毕业设计，YOLO番茄成熟度识别算法实战训推教程，标注格式为yolo的txt格式

本数据集专为 YOLO 系列模型（如 YOLOv5//v8/v11）的番茄成熟度识别任务设计，共含 3862 张有效样本图像，覆盖温室、露天种植等不同场景及多角度拍摄画面，保障数据多样性与实用性。数据集采用 YOLO 标准文件结构：根目录下设images与labels两个文件夹。images文件夹存储所有图像文件（格式为 JPG ），每张图像均对应labels文件夹中同名的.txt标注文件，实现图像与标注的精准匹配。标注格式严格遵循 YOLO txt 规范：每行记录单个番茄目标的标注信息，格式为 “类别索引中心 x 坐标中心 y 坐标目标宽度目标高度”。其中，坐标与尺寸均按图像宽高归一化（取值范围 0-1），类别索引对应 3 类成熟度：0（fully-ripe，完全成熟）、1（semi-ripe，半成熟）、2（unripe，未成熟），可直接用于模型训练与评估，为农业自动化检测提供数据支持。

2025-10-23

数据集YOLO目标检测道路交通标志识别数据集 3630 张，YOLO交通路牌识别算法实战训练教程，yolo道路标识检测毕业设计，Pascalvoc 的 xml 格式标注好的，已划分训练、测试、验证集

数据集内容： 1. 多角度场景：监控摄像头视角，行人视角； 2. 标注内容：6个分类，['No_Entry', 'No_Left_Turn', 'No_Parking', 'No_Right_Turn', 'No_U_Turn', 'Stop']，分别为禁止通行、禁止左转、禁止停车、禁止右转、禁止掉头、减速慢行等； 3. 图片总量：3630 张图片数据； 4. 标注类型：含有Pascal VOC格式；数据集结构： TrafficSigns_voc/ ——test/ ————.jpg ————.xml ——train/ ————.jpg ————.xml ——valid/ ————.jpg ————.xml 训练测试验证集内分别存放一一对应的jpg图像和xml标注文件。道路交通标识检测算法的必要性： 1. 交通安全需求升级随着全球汽车保有量突破15亿辆，交通事故已成为全球第九大死因。中国交通标志检测数据显示，约30%的交通事故与驾驶员未及时识别交通标志相关。例如，未遵守限速标志导致的超速事故占比达18%，未注意禁止转向标志引发的侧翻事故占比达12%。YOLO算法通过实时识别限速、禁止通行、警示标志等，可降低驾驶员反应时间需求，为自动驾驶系统提供关键决策依据。 2. 自动驾驶技术突破 L4级自动驾驶系统要求环境感知模块在100ms内完成交通标志识别。特斯拉Autopilot、Waymo等系统已将YOLO作为核心检测算法，其单阶段检测架构比Faster R-CNN等两阶段算法快3-5倍。YOLOv8在TT100K中国交通标志数据集上实现96.7%的mAP（均值平均精度），较YOLOv5提升8.2%，满足自动驾驶对实时性与准确性的双重严苛要求。

2025-07-03

数据集YOLO目标检测道路交通标识识别数据集 3630 张，YOLO交通路牌识别算法实战训练教程，yolo道路标识检测毕业设计，yolo的 txt 格式标注好的，已划分训练、测试、验证集

数据集内容： 1. 多角度场景：监控摄像头视角，行人视角； 2. 标注内容：6个分类，['No_Entry', 'No_Left_Turn', 'No_Parking', 'No_Right_Turn', 'No_U_Turn', 'Stop']，分别为禁止通行、禁止左转、禁止停车、禁止右转、禁止掉头、减速慢行等； 3. 图片总量：3630 张图片数据； 4. 标注类型：含有yolo TXT格式；数据集结构： TrafficSigns_yolo/ ——test/ ————images/ ————labels/ ——train/ ————images/ ————labels/ ——valid/ ————images/ ————labels/ ——data.yaml 道路交通标识检测算法的必要性： 1. 交通安全需求升级随着全球汽车保有量突破15亿辆，交通事故已成为全球第九大死因。中国交通标志检测数据显示，约30%的交通事故与驾驶员未及时识别交通标志相关。例如，未遵守限速标志导致的超速事故占比达18%，未注意禁止转向标志引发的侧翻事故占比达12%。YOLO算法通过实时识别限速、禁止通行、警示标志等，可降低驾驶员反应时间需求，为自动驾驶系统提供关键决策依据。 2. 自动驾驶技术突破 L4级自动驾驶系统要求环境感知模块在100ms内完成交通标志识别。特斯拉Autopilot、Waymo等系统已将YOLO作为核心检测算法，其单阶段检测架构比Faster R-CNN等两阶段算法快3-5倍。YOLOv8在TT100K中国交通标志数据集上实现96.7%的mAP（均值平均精度），较YOLOv5提升8.2%，满足自动驾驶对实时性与准确性的双重严苛要求。

2025-07-03

数据集YOLO目标检测猫狗识别数据集 2435张，Yolo格式数据集目标检测！

标签类别：names: ['cat', 'dog'] 使用方法：下载YOLO项目，在data目录下创建子文件夹：Annotations、images、imageSets、labels，将XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中。 yolo格式文件转xml文件脚本可以私聊博主，也可以自行网上搜索代码执行。

2024-11-08

道路结冰数据集 1527 张，YOLO/VOC格式标注！

【数据集】道路结冰数据集 1527 张，目标检测，包含YOLO/VOC格式标注。数据集中包含两种分类，分别是：names: ['clear-road', 'ice-road']。资源文件内包含：Annotations文件夹为Pascal VOC格式的XML文件，images文件夹为jpg格式的数据样本，labels文件夹是YOLO格式的TXT文件，data.yaml是数据集配置文件。应用场景： 1、高速公路：道路结冰检测算法可以应用于高速公路的结冰预警与监控体系，提前识别出可能结冰的路段和时间点，为交通管理部门提供决策支持。 2、城市道路：通过道路结冰检测算法，可以实时监测城市道路的结冰情况，为城市交通管理提供及时、准确的信息。 3、特殊路段：道路结冰检测算法可以针对桥梁、隧道出入口等进行定制化设计，提高监测的准确性和针对性。使用方法：下载YOLO项目，在data目录下创建子文件夹：Annotations、images、imageSets、labels，将VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中。

2024-11-02

数据集YOLO目标检测电动车进电梯检测数据集 97 张，Yolo格式数据集目标检测！

【数据集】【YOLO】【目标检测】电动车进电梯检测数据集 97 张，Yolo格式数据集目标检测！标签类别：names: ['person','bicycle','motorcycle'] 电动车在电梯内发生爆燃，乘客可能无法承受高温和烟雾的伤害；电动车进入电梯后，对电梯的磕碰可能导致电梯产生运行故障，缩短其使用寿命；电动车上楼后占用消防通道，若发生火灾，会阻碍人员逃生，对建筑造成损害。因此，开发一种能够实时检测并预警电动车进入电梯的系统，对于提高电梯使用安全性具有重要意义。使用方法：下载YOLO项目，在data目录下创建子文件夹：Annotations、images、imageSets、labels，将XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中。 yolo格式文件转xml文件脚本可以私聊博主，也可以自行网上搜索代码执行。

2024-11-06

数据集【YOLO目标检测】道路油污检测数据集 170 张，YOLO/VOC格式标注！

标签类别：names: ['bubble', 'petrol'] 资源文件内包含：资源图片数据集，YOLO格式的标注文件，data.yaml是数据集配置文件。训练集和验证集已经完成划分！！！道路油污识别是城市交通管理和环境保护中的重要任务。油污不仅影响道路的清洁度和美观度，还可能对车辆行驶安全构成威胁。然而，传统的油污检测方法主要依赖人工视觉检查，这种方法不仅耗时、成本高，而且结果的准确性和可重复性差。因此，开发一种自动化、智能化的油污识别系统显得尤为重要。使用方法：下载YOLO项目，在data目录下创建子文件夹：Annotations、images、imageSets、labels，将VOC格式的XML文件手动导入到Annotations文件夹中，将JPG格式的图像数据导入到images文件夹中。

2024-11-05

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人