- 博客(3430)
- 收藏
- 关注
RSS订阅
原创 YOLOv5、YOLOv8、YOLOv10系列项目最全项目合集（已更新81个项目，持续更新中）
我们即将推出的YOLO系列专栏，涵盖YOLOv5、YOLOv8及YOLOv10的深度训练教程与PyQt界面开发实践，预计在2025年全面更新完毕。为了让更多开发者抢先体验，专栏将在2024年进行限时促销！2024年促销期间，专栏将推出限时优惠，抢先学习内容，享受专业指导，还可获得2025年更新后的全新版本！不要错过这次提升技能的绝佳机会，加入我们，一起开启智能视觉时代的新篇章。79元在目标检测领域，YOLO（You Only Look Once）系列模型凭借其速度与精度兼备的特性，成为许多项目中的首选方案。
2024-10-12 22:57:41
3574
原创 基于YOLOv10的轮胎缺陷检测系统：数据集、模型与UI实现
轮胎缺陷检测的数据集一般包括了不同类型的轮胎图像，其中标注了轮胎表面可能出现的各种缺陷，如裂纹、孔洞、磨损、气泡等。为了训练YOLOv10模型，我们需要一个包含轮胎图像以及缺陷标注的高质量数据集。一个常见的轮胎缺陷数据集是“Tire Defect Dataset”。该数据集包含了大量的轮胎图像，其中包括正常轮胎和带有各种缺陷的轮胎。每张图像都配有相应的标签，标签包括缺陷的类型以及缺陷在图像中的位置和大小。图像数量：约2000张包含正常和缺陷轮胎的图像。缺陷类别：裂纹、气泡、磨损、孔洞等。标签格式。
2025-04-03 12:10:51
127
原创 基于YOLOv10的AI人群追踪系统：数据集与实现
Crowd Person Tracking数据集是一个专门为人群追踪任务设计的视觉数据集，包含了大量的含有多人目标的动态视频序列。每个视频序列标注了每个人的位置、类别、以及他们在时间维度上的变化。数据集中的每一帧图像都带有目标的边界框及其ID标签，用于追踪同一个人。视频序列：包含了多个视频序列，每个视频有多个帧，每帧图像都标注了人群中个体的位置。标签格式：每帧图像的标签包括目标的类别、目标的ID（用于标识同一个个体在不同帧中的位置）、以及目标的边界框坐标。arduino复制编辑。
2025-04-03 12:09:23
327
原创 基于YOLOv10的自然灾害检测系统：数据集与实现
Disaster Detection数据集包含了不同自然灾害场景的图像，这些图像来源于各类气象灾害、地震灾难、火灾等。数据集中的每张图像均标注了灾害的类型及其边界框，供目标检测算法训练与评估使用。通过这些图像数据，YOLOv10可以学习识别和定位各种自然灾害。类别：每个图像的类别可以是不同类型的自然灾害，如地震、洪水、火灾、风暴等。标注信息：每个图像的标注文件包含类别标签和灾害边界框的位置。，所有的值是归一化的。rust复制编辑。
2025-04-03 12:08:11
282
原创 基于YOLOv10的风暴追踪与检测系统：数据集与实现
为了训练YOLOv10模型进行风暴检测，我们需要一个包含风暴图像和相关标签的数据集。本文使用的风暴追踪数据集包含了多种风暴场景的图像，涵盖了不同天气条件下的风暴发生情况。数据集中的每个图像都有相应的标签，表示图像中风暴的边界框位置和类别。类别：风暴（Storm）与非风暴（No Storm）。图像大小：数据集中的图像尺寸一般为600x600或更大的分辨率。标注信息：每个图像都有一个文本文件，其中包含该图像中所有风暴目标的类别和边界框信息。
2025-04-03 12:07:24
187
原创 基于YOLOv10的火灾检测系统：数据集与实现
本文使用的火灾检测数据集是，该数据集包含多种火灾场景的图像数据，涵盖了火灾发生时的不同表现形式，如火焰、烟雾、火灾现场等。该数据集分为训练集和测试集，并且每张图像都标注了火灾的位置信息，用于训练YOLO模型进行目标检测。类别：火灾（Fire）与非火灾（No Fire）。图像大小：各类图像尺寸不等，通常为300x300或更大的分辨率。标注信息：每个火灾实例均有边界框（bounding box）标注。
2025-04-03 12:06:02
215
原创 基于YOLOv10的车辆品牌与型号识别
通过此系统，用户可以快速识别车辆的品牌和型号，提升交通管理和车辆监控的效率。在车辆识别任务中，不仅需要检测车辆的位置，还需要识别车辆的品牌和型号。该数据集包含了不同品牌和型号的车辆图像，标注了每个图像中的车辆位置和品牌信息。您可以通过Kaggle下载并解压数据集，解压后会获得图像和标注文件，接下来我们将使用这些数据进行模型的训练。一旦训练完成，我们可以使用训练好的模型对新的图像进行推理，进行车辆品牌与型号的识别。推理后，我们可以提取检测到的车辆信息，包括品牌、型号、置信度以及边界框的坐标。
2025-04-03 12:04:23
304
原创 基于YOLOv10的交通标志检测与UI界面实现
交通标志是道路安全和交通管理的关键元素。传统的交通标志识别方法通常基于规则和图像处理算法，然而随着深度学习技术的进步，基于卷积神经网络（CNN）的目标检测方法，特别是。（德国交通标志数据集）进行模型训练，并最终实现一个用户友好的界面，帮助用户便捷地进行交通标志检测。下载后，您将获得包含多个文件夹的压缩包，其中包含训练集、验证集和测试集的图像数据和标注信息。完成训练后，我们可以使用训练好的模型对新图像进行推理，并显示检测结果。以下是一个基本的UI界面代码，用户可以通过该界面上传图像，查看交通标志检测的结果。
2025-04-03 12:03:12
419
原创 基于 YOLOv10 的海洋目标检测与 UI 界面实现
近年来，随着深度学习技术的迅猛发展，尤其是目标检测模型的突破，海洋目标检测得到了显著改进。YOLOv10是YOLO系列的最新版本，具备更强的检测能力和更高的速度，适合海洋目标检测中的应用。海洋目标检测任务中的数据集通常包含了大量海洋场景的图像，这些图像中可能包含船只、海洋生物、浮标、平台等多种目标。这个系统能够有效地检测海洋图像中的目标，如船只、浮标和海洋生物等，并将检测结果通过直观的界面展示给用户。下载并解压后，您将获得一个包含多张海洋场景图像的数据集，每张图像都会标注出多个目标的位置和类别。
2025-04-03 12:01:58
662
原创 基于 YOLOv10 的建筑工地检测与 UI 界面实现
传统的建筑工地安全检查通常依赖人工巡检，这不仅费时费力，还容易受到人为因素的影响。近年来，随着计算机视觉和深度学习技术的快速发展，利用深度学习模型进行建筑工地检测已成为一种新兴的研究方向。随着建筑行业的快速发展，工地上的安全隐患逐渐增多，如何确保工地的安全成为亟待解决的问题。建筑工地安全事故不仅影响施工进度，也威胁到工人生命安全，因此，对建筑工地的实时监控与自动化检测具有重要意义。建筑工地数据集通常包含了工地现场的图像，并标注了各种类型的安全隐患或工地物品，如工人、建筑设备、材料堆放、标志标识等。
2025-04-03 12:00:53
533
原创 基于 YOLOv10 的道路损坏检测与 UI 界面实现
传统的道路损坏检测方法通常依赖于人工检查或基于传统计算机视觉的检测算法，但这些方法往往耗时且容易受到环境因素的干扰。近年来，深度学习，尤其是卷积神经网络（CNN）在计算机视觉中的广泛应用，为道路损坏检测提供了更加准确和高效的解决方案。随着交通流量的增加和车辆负载的加重，道路破损和损坏的情况也越来越严重。为了进行道路损坏检测，使用合适的数据集是至关重要的。训练完成后，您可以使用训练好的模型对新的图像进行推理，检测道路损坏区域。，该数据集提供了不同类型的损坏图像，并且每个图像都有详细的标注。
2025-04-03 11:59:39
253
原创 基于 YOLOv10 的 Human3.6M 三维姿态检测与 UI 界面实现
人体姿态估计（Human Pose Estimation, HPE）是计算机视觉领域的一项重要任务，广泛应用于虚拟现实、行为识别、运动分析和人机交互等场景。三维姿态估计的目标是从二维图像或视频中恢复人体各个关节的空间位置，包括深度信息，以便更准确地理解和分析人体姿势。是目前最著名的三维人体姿态数据集之一，包含了大量的高质量三维人体标注数据。此外，数据集还包含了每个关节的三维坐标，适用于三维姿态估计任务。为了提高模型的泛化能力，我们可以应用一些数据增强技术，如随机裁剪、旋转、缩放等。转换为 YOLO 格式。
2025-04-03 11:58:25
209
原创 DeepFashion 服装识别：基于 YOLOv10 的深度学习实现与 UI 界面开发
随着深度学习的发展，目标检测算法在服装识别任务中表现出色，特别是 YOLO（You Only Look Once）系列模型。服装识别（Fashion Recognition）是计算机视觉领域的重要任务，广泛应用于。已提供，可用于服装分类、款式识别、虚拟试衣等应用。训练服装识别模型，并开发。
2025-04-03 11:55:33
364
原创 FashionAI服装姿势检测：基于YOLOv10的深度学习实现与UI界面开发
推出，旨在推动服装关键点检测技术的发展。随着 YOLO 系列模型（如 YOLOv10）的发展，我们可以将其应用于。在电子商务、虚拟试衣、服装搭配推荐等领域，FashionAI 服装姿势检测任务由。FashionAI 数据集的标注格式为。
2025-04-03 11:54:57
350
原创 V-COCO人体姿势检测：基于YOLOv10的深度学习实现与UI界面开发
等，近年来，**YOLO（You Only Look Once）**系列模型凭借端到端检测能力，成为高效的人体关键点检测方案。人体姿势检测（Human Pose Estimation, HPE）是计算机视觉中的重要任务，广泛应用于。是 COCO（Common Objects in Context）的扩展版本，主要用于。传统的人体姿势估计方法主要基于。，需要转换为 YOLO 兼容格式。V-COCO 的标注数据采用。进行人体姿势检测，并构建一个。，帮助读者理解并复现本项目。
2025-04-03 11:54:14
125
原创 FAN人体姿势检测：基于YOLOv10的深度学习实现与UI界面构建
等，而近年来**YOLO（You Only Look Once）**等深度学习模型凭借高效的端到端检测能力，在该领域取得了显著突破。FAN（Frame Attention Network）数据集是用于。的高质量数据集，包含不同场景下的多人姿势标注数据。人体姿势检测是计算机视觉中的重要任务，在。中，需要转换为 YOLO 兼容的格式。等领域具有广泛应用。FAN 数据集的标注信息存储在。，以帮助读者理解和复现本项目。进行人体姿势检测，并构建一个。
2025-04-03 11:53:40
59
原创 AFLW人脸与姿势检测：基于YOLOv10的深度学习实现与UI界面构建
传统的人脸检测方法（如Haar级联分类器、HOG+SVM）在面对复杂光照、遮挡和大角度旋转时，表现较差。（ICG, Graz University of Technology）发布的一个用于人脸检测和姿势估计的数据集。是一个用于人脸检测和姿势估计的重要数据集，包含大范围的角度变化、多样化的光照条件和部分遮挡的人脸图像。：包含各种角度、光照和遮挡情况的人脸图像，适用于姿态变化较大的任务。，凭借其高效、准确的特性，在人脸检测任务中表现优异。进行人脸检测与姿势估计，并开发一个。：21 个（不同姿态下的人脸标注）
2025-04-03 11:52:55
366
原创 LSP人体姿势检测：基于YOLOv10的深度学习实现与UI界面构建
人体姿势检测（Human Pose Estimation, HPE）是计算机视觉领域中的核心任务之一，广泛应用于**运动分析、人体行为识别、医疗康复、增强现实（AR）、虚拟现实（VR）**等领域。近年来，深度学习技术的快速发展使得基于卷积神经网络（CNN）和目标检测方法（如YOLO）的姿势检测模型取得了显著进展。因其专注于体育运动场景下的人体姿势标注，成为研究高动态人体姿势检测的重要数据集之一。格式存储，需要转换为 YOLO 兼容的格式。：14 个（头部、躯干、四肢等）在众多的标注数据集中，
2025-04-03 11:52:08
486
原创 COCO人体姿势检测：基于YOLOv10的深度学习实现与UI界面构建
人体姿势估计（Human Pose Estimation, HPE）是计算机视觉中的关键任务，广泛应用于体育分析、人体行为理解、动作识别、虚拟现实（VR）等领域。近年来，深度学习方法，特别是目标检测模型，如 YOLO（You Only Look Once），在该领域取得了显著进展。COCO（Common Objects in Context）数据集是计算机视觉领域的标准数据集之一，其中包含人体姿势的标注信息，成为训练人体姿势检测模型的重要资源。完整实现了数据预处理、模型训练、推理及可视化展示。
2025-04-03 11:51:28
118
原创 MPII人体姿势检测：基于YOLOv10的深度学习实现与UI界面构建
MPII Human Pose Dataset 由马克斯·普朗克研究所（Max Planck Institute）发布，包含约 25,000 张日常生活场景中的图像，涵盖 40,000 多个人体实例。这些数据由不同的摄像机角度捕获，涵盖 410 种不同的人体活动。YOLOv10 是 YOLO 系列的最新版本，相较于前代，具有更优的检测性能和更小的计算成本。更高效的 Backbone 结构：基于轻量级 CNN 结构，减少计算量。动态卷积：增强模型的自适应性，提高检测精度。
2025-04-03 11:50:56
315
原创 植物物种检测：基于YOLOv10的深度学习应用
树木：松树、橡树、杨树等花卉：玫瑰、郁金香、向日葵等草本植物：蕨类、药用植物等YOLOv10（You Only Look Once v10）是YOLO系列的最新版本，相较于YOLOv8，其优化了计算效率、模型大小和检测精度，使其更适用于嵌入式设备和实时检测任务。
2025-04-02 22:31:07
285
原创 森林火灾检测：基于YOLOv10的深度学习应用1. 引言 森林火灾是一种严重的自然灾害，不仅对生态环境造成破坏，还会威胁人类生命和财产安全。传统的森林火灾检测依赖于人工巡逻、卫星监测或传感器网络，但这
火灾区域：火焰、烟雾等可视化特征。非火灾区域：正常森林场景，无火焰或烟雾。YOLOv10（You Only Look Once v10）是YOLO系列的最新版本，相较于YOLOv8，其优化了计算效率、模型大小和检测精度，使其更适用于嵌入式设备和实时检测任务。
2025-04-02 22:30:39
345
原创 爬行动物检测：基于YOLOv10的深度学习应用
Reptile Dataset 是一个用于爬行动物检测的公开数据集，包含多个类别的爬行动物图像。这些图片覆盖了不同的环境，如野外、动物园、实验室等，确保模型能够在多种场景下实现高效检测。YOLOv10（You Only Look Once v10）是YOLO系列的最新版本，相较于YOLOv8，其优化了计算效率、模型大小和检测精度，使其更适用于嵌入式设备和实时检测任务。
2025-04-02 22:29:14
176
原创 昆虫检测：基于YOLOv10的深度学习应用
Insect Dataset 是一个专门用于昆虫检测的公开数据集，包含多个类别的昆虫图片。这些图片涵盖了不同的光照、背景和拍摄角度，以提高模型的泛化能力。YOLOv10（You Only Look Once v10）是YOLO系列的最新版本，相较于YOLOv8，其优化了计算效率、模型大小和检测精度，使其更适用于嵌入式设备和实时检测任务。
2025-04-02 22:28:11
521
原创 叶片病害检测：基于YOLOv10的深度学习应用
Leaf Disease Dataset 是一个常见的叶片病害检测数据集，包含多个类别的病害叶片图片。该数据集适用于目标检测任务，可用于训练深度学习模型，以识别不同类型的植物病害。YOLOv10（You Only Look Once v10）是YOLO系列最新版本，在精度、速度和轻量化方面进行了优化，特别适用于实时检测任务，如叶片病害检测。
2025-04-02 22:26:49
440
原创 使用YOLOv10和自定义UI进行植物病害检测：深度学习方法
植物病害检测是指通过图像处理技术对植物的叶片、枝干或其他部位进行分析，识别出潜在的病害情况。传统的病害检测方法往往依赖于人工检查，这种方式不仅耗时长，而且效率较低。随着计算机视觉技术和深度学习模型的发展，自动化的病害检测已经成为研究的热点。YOLO（You Only Look Once）系列模型是当前最流行的目标检测模型之一，特别适合用于实时检测任务。YOLOv10作为YOLO系列的最新版本，进一步提高了模型的检测精度和速度，非常适合用于植物病害检测。
2025-04-02 22:22:51
367
原创 基于YOLOv10的鸟类识别：深度学习应用与UI界面开发
是一个鸟类识别数据集，包含了大量鸟类图像，涵盖了多个不同的鸟类种类。数据集中的每张图像都附带了相应的标注文件，标注了图像中每只鸟的位置、类别以及边界框。该数据集适用于目标检测任务，其中图像数据的标注格式符合YOLOv10要求。YOLO标注格式包括类别编号、相对位置（中心点坐标）以及宽高比。
2025-04-02 22:20:31
301
原创 基于YOLOv10的野生动物检测：深度学习应用与UI界面开发
是专门为野生动物检测设计的数据集，包含了多种不同野生动物种类的图像。数据集的图像来源于自然环境，可能包括了多种背景和不同光照条件，因此对目标检测模型提出了较高的要求。数据集的每个图像都包含了野生动物的边界框和相应的分类标签。
2025-04-02 22:19:39
151
原创 基于YOLOv10的DeepFish鱼类检测：深度学习实现与UI界面开发
数据集是一个包含多种鱼类的图像数据集，适用于目标检测、物种分类等任务。该数据集包含了大量水下场景中不同鱼类的图像，数据标注包括鱼类的边界框和物种类别。
2025-04-02 22:18:23
251
原创 基于YOLOv10的动物目标检测：深度学习实现与UI界面开发
YOLOv10作为YOLO系列的最新版本，具有更高的精度和更快的推理速度，使其在实时目标检测场景中得到了广泛应用。为了进行动物目标检测，我们使用了一个公开的动物数据集，该数据集包含了多种动物的图像，包括猫、狗、鸟、马、牛等。通过使用Animal Dataset进行训练，我们成功构建了一个高效的动物识别模型，并通过Streamlit构建了一个简洁的UI界面，使得用户可以轻松上传图片并获得检测结果。特别是在野生动物的监测和保护方面，采用高效的检测模型能够帮助研究人员实时监控动物的活动轨迹和栖息环境。
2025-04-02 22:17:10
296
原创 基于YOLOv10的Uber车辆识别：深度学习实现与UI界面开发
随着共享出行服务的迅猛发展，Uber作为全球领先的网约车平台，已经渗透到全球多个城市，提供了便捷、高效的出行解决方案。车辆识别技术的核心是计算机视觉和深度学习模型，尤其是在实时监控与自动识别方面，YOLO（You Only Look Once）系列模型凭借其高效的检测能力成为了一种理想的选择。在本博客中，我们展示了如何在YOLOv10的帮助下，使用Uber车辆数据集进行实时目标检测。YOLOv10作为YOLO系列的最新版本，相比之前的版本，它在检测精度、推理速度和小目标检测方面有了显著的改进。
2025-04-02 22:14:46
202
原创 基于YOLOv10的Jetson Nano无人机目标检测：深度学习实现与UI界面开发
我们将使用一个通用的无人机数据集进行训练，并提供完整的代码实现。YOLOv10是YOLO系列的最新版本，相较于早期版本，YOLOv10在检测精度和速度上都进行了优化，特别是在小目标检测和实时性方面取得了显著进展。为了让用户能够方便地上传图像并进行目标检测，我们使用Streamlit构建了一个简洁的UI界面，用户只需上传图像，系统便会显示目标检测的结果。YOLOv10作为一款端到端的单阶段目标检测模型，能够高效处理以上挑战，并通过深度学习模型进行端到端的训练和优化，取得了很好的性能。
2025-04-02 22:12:51
230
原创 基于YOLOv10的车辆识别：深度学习实现与UI界面开发
YOLOv10是YOLO系列的最新版本，相比于YOLOv4和YOLOv5，它采用了更加优化的网络结构和训练策略，进一步提高了检测精度，尤其在小目标检测方面表现优异。近年来，基于深度学习的目标检测算法，如YOLO（You Only Look Once），已成为车辆检测任务中的主流方法，凭借其优异的检测精度和实时性，被广泛应用于实际场景中。车辆识别的目标是从图像或视频中检测并分类车辆，包括车辆的位置、类型以及一些额外的信息，如车牌号、车速等。是一个常用的车辆检测数据集，包含了在各种环境下拍摄的车辆图像。
2025-04-02 22:10:46
359
原创 基于YOLOv10的行人检测：完整深度学习实现与UI界面
YOLOv10是YOLO系列的最新版本，其通过使用Anchor-Free机制、改进的特征提取网络和优化的损失函数，提升了模型在小目标检测、复杂背景下的鲁棒性。行人检测的目标是从给定的图像或视频中识别出所有的行人，并在图像中标记出来。该数据集中的图像来自于不同的环境，包括街道、商场、公共场所等，包含了各种光照、遮挡和不同大小的行人。进行行人检测，利用YOLOv10实现该任务，并提供一个完整的UI界面，方便用户上传图像并查看检测结果。，我们训练并优化了YOLOv10模型，并在实际应用中取得了较好的检测效果。
2025-04-02 22:08:28
330
原创 基于YOLOv10的汽车检测：完整深度学习流程与UI实现
随着深度学习技术的发展，尤其是卷积神经网络（CNN）在目标检测中的应用，目标检测已经取得了显著的进展。YOLO的版本逐步进化，尤其是YOLOv4、YOLOv5和YOLOv10等版本，进一步提升了精度和速度，尤其在小物体检测和速度优化方面有了显著改进。YOLOv10是YOLO系列的最新版本，相比于YOLOv5，YOLOv10有着更高的精度和速度，适用于实时目标检测。YOLO系列通过单阶段检测模型，能够快速地进行目标定位与分类，适用于实时检测场景，如自动驾驶和交通监控。，展示如何通过深度学习技术实现汽车检测。
2025-04-02 22:06:10
429
原创 Road Traffic Detection Dataset 交通流量检测YOLOv10
其中，基于深度学习的目标检测技术在交通流量监测、交通违规检测和智能信号控制等方面发挥了重要作用。此外，提供一个适用于交通流量检测的参考数据集，帮助研究人员更好地理解和应用YOLO模型进行交通流量分析。本文介绍了基于YOLOv10的交通流量检测系统，包括模型训练、UI可视化界面和性能优化方案。通过使用公开数据集和自定义训练，我们能够有效提高检测精度，为智能交通管理提供支持。YOLOv10相较于YOLOv8和YOLOv9，在小目标检测方面有较大提升，因此特别适用于交通流量检测任务。
2025-04-02 22:04:55
477
原创 SODA 目标检测：基于 YOLOv10 的目标检测与 UI 实现
目标检测（Object Detection）是计算机视觉中的关键任务，广泛应用于自动驾驶、智能监控、遥感图像分析等领域。近年来，深度学习方法，特别是 CNN（卷积神经网络）和 Transformer 结构的发展，使目标检测精度和速度大幅提升。，完成从数据预处理、模型训练到 UI 界面部署的完整流程。YOLO 目标检测算法以其。SODA 数据集通常采用。即可启动 UI 界面。
2025-04-02 22:03:06
407
原创 Ship Detection Dataset 海上目标检测：基于 YOLOv10 的深度学习应用与 UI 实现
海上目标检测（Ship Detection）是计算机视觉在遥感、海洋监控、海上交通管理、军事侦察等领域的重要应用之一。深度学习方法，特别是基于 CNN（卷积神经网络）的目标检测算法，如。相比 YOLOv8 提高了检测精度，并优化了小目标检测能力，使其更加适用于海上目标检测任务。进行 UI 交互界面开发，方便用户上传图片并进行目标检测。，确保读者可以复现项目，并提供相关的优化建议。系列，已成为海上目标检测的主流方法。以适用于 YOLOv10 训练。下载完成后，我们需要。即可启动 UI 界面。
2025-04-02 22:02:29
311
原创 Aircraft Detection Dataset 航空目标检测：基于 YOLOv10 的深度学习应用与 UI 实现
航空目标检测（Aircraft Detection）是计算机视觉在遥感、军事侦察、机场安全、无人机监控等领域的重要应用之一。深度学习方法，特别是基于 CNN（卷积神经网络）的目标检测算法，如 YOLO（You Only Look Once）系列，已经成为航空影像分析的主流方法。Aircraft Detection Dataset 是一个专门用于航空目标检测的数据集，涵盖了机场停机坪、跑道、空中飞行器等多个场景。YOLOv10 作为 YOLO 系列的最新版本，进一步提升了检测精度和速度。
2025-04-02 22:01:42
399
原创 Aerial Image Dataset 航空目标检测：基于YOLOv10的深度学习应用与UI实现
Aerial Image Dataset（AID）是一个广泛用于航空影像分析的遥感数据集，主要用于分类和检测任务。该数据集由武汉大学团队发布，涵盖多种典型地物类别，如机场、港口、桥梁、住宅区、工业区等。
2025-04-02 22:01:02
379
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人