墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
349平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
| 数据集名称 | 数据详情 | 采集方式 | 分辨率 | 数据规模 |
|---|---|---|---|---|
| 日本道路缺陷数据集 | 包含9,053张彩色道路图像，展示了15,435个道路缺陷 | 使用安装在汽车上的智能手机在不同天气和光照条件下采集 | 600×600像素 | - |
| Rath等的数据集 | 包含训练集、测试集和注释CSV文件。训练集有2,658张无坑洼道路彩色图像和1,119张有坑洼道路彩色图像，测试集有628张彩色图像 | 使用GoPro Hero 3+相机，以0.5秒 |
YOLOv8道路坑洼检测实战：从数据到部署全流程解析
目标检测是计算机视觉的核心任务之一，YOLO系列算法因其出色的实时性能被广泛应用于工业检测领域。以道路病害识别为例，传统人工巡检存在效率低、漏检率高等痛点，而基于YOLOv8的智能检测系统能实现毫秒级响应。通过PyQt5构建可视化界面，结合TensorRT加速推理，该系统在RTX3060显卡上达到87FPS处理速度，对15cm以上坑洼的识别准确率提升至92.3%。关键技术点包括：使用C2f模块增强小目标检测能力，采用Mosaic9数据提升模型泛化性，以及通过多线程架构解决PyQt5界面卡顿问题。这类技术方案
KITTI 3D目标检测评估指标全解析：从AP_R11到AP_R40的演进与实战对比
本文深入解析KITTI 3D目标检测评估指标从AP_R11到AP_R40的演进历程与实战应用。详细对比了11点插值法和40点插值法的技术差异，揭示了R40在消除零点失真、提升采样密度方面的优势，并提供了指标计算、多维度解析及模型调优的实用策略，助力开发者更准确地评估3D目标检测模型性能。
基于YOLOv12的道路坑洼检测系统开发与实践
目标检测是计算机视觉领域的核心技术，通过深度学习算法实现物体的自动识别与定位。YOLO系列作为单阶段检测算法的代表，以其高效实时性广泛应用于工业场景。最新发布的YOLOv12通过区域注意力机制和R-ELAN特征聚合等创新，在保持高精度的同时显著降低计算成本。这些技术进步为道路基础设施检测等实际工程问题提供了更优解决方案。本项目基于YOLOv12构建完整的道路缺陷检测系统，包含数据集构建、模型训练优化及可视化界面开发全流程，特别针对坑洼、裂缝等道路病害的形态特征进行算法适配。系统采用PyQt5开发交互界面，支
人行道检测数据集与智能导盲系统技术解析
计算机视觉在公共空间智能感知领域发挥着重要作用，其中人行道检测是关键技术之一。通过深度学习模型如YOLOv5和DeepLabv3+，可以实现路面分割、障碍物检测等核心功能。多模态感知和路径规划技术的结合，显著提升了智能导盲系统的实用性。本数据集包含1600张标注图片，覆盖多种天气、时段和地域特征，特别注重人行道的精细化识别，如盲道状态和路面破损等级。这些技术在智能轮椅导航、市政设施巡检等场景中具有广泛的应用价值，为城市数字化管理提供了重要支持。
【目标检测】基于yolov5的道路坑洼检测(附代码和数据集)
基于yolov5的道路坑洼检测(附代码和数据集)
【图像分类】基于计算机视觉的坑洼道路检测和识别（ResNet网络，附代码和数据集）
【图像分类】基于计算机视觉的坑洼道路检测和识别（ResNet网络，附代码和数据集）
盲道与人行道缺陷检测数据集：工程级YOLO训练实战指南
道路设施缺陷检测是计算机视觉在智慧城市中的关键落地场景，其核心挑战在于小目标定位、类别语义清晰性与真实场景泛化能力。本文围绕盲道错位、翘起、断裂及人行道沉降、松动、油污六类典型缺陷，解析如何构建具备毫米级标注精度、路段级划分逻辑和市政工单对齐特性的高质量数据集。通过YOLOv8适配优化——包括P2高分辨率检测头引入、IoU阈值下调至0.25、类别权重动态分配等技术手段，显著提升小目标（如盲道凸起）检测AP。该方案已应用于多地无障碍设施智能巡检系统，为AI模型从实验室走向市政一线提供可复用的数据工程范式。
沥青路面缺陷目标检测数据集（LabelMe格式）实战指南
沥青路面缺陷检测是智能交通与道路养护中的关键计算机视觉任务，其核心在于构建高精度、强泛化、可落地的目标检测数据集。该任务需兼顾小目标（如2像素宽裂缝）、尺度变化大、物理约束强（如裂缝方向不可镜像）等特性，传统数据增强与标注流程易失效。LabelMe格式因其JSON结构透明、支持多边形精细标注、离线稳定等工程优势，成为真实场景落地的首选标注标准。结合YOLOv8等主流模型时，需针对性优化坐标归一化、损失权重、验证策略及元数据利用（如光照、可见性等级），才能将mAP从60%级提升至78%+。本数据集聚焦‘能直接
基于YOLOv8的道路病害检测：从数据标注到平台部署全流程解析
目标检测作为计算机视觉的核心任务，在基础设施巡检中扮演着关键角色。深度学习技术的成熟让道路病害识别从传统人工巡检逐步转向自动化智能分析。实际工程中，仅运行训练脚本远远不够，真实落地需要构建从数据标注、模型调优到可视化平台部署的完整闭环。本文以YOLOv8为例，系统讲解道路病害检测项目的实现路径：首先介绍主流公开数据集与标注工具的使用方法，探讨格式转换和增强策略；随后深入训练环节，解析关键参数、收敛判断与结果评估指标；最后展示基于Gradio的界面封装技巧，并给出滑窗推理、结果导出等平台化增强方案。内容兼顾算
YOLO道路坑洼目标检测数据集(含5000张图片)+对应voc、coco和yolo三种格式标签+划分脚本+训练教程.rar
1、YOLO道路坑洼目标检测数据集，真实场景的高质量图片数据，数据场景丰富。使用lableimg标注软件标注，标注框质量高，含voc(xml)、coco(json)和yolo(txt)三种格式标签，分别存放在不同文件夹下，可以直接用于YOLO系列的目标检测。 2、附赠YOLO环境搭建、训练案例教程和数据集划分脚本，可以根据需求自行划分训练集、验证集、测试集。 3、数据集详情展示和更多数据集下载：https://blog.youkuaiyun.com/m0_64879847/article/details/132301975 4、如需更多数量和其他数据集请私信博主~
[数据集][VOC][Y202206]道路路面坑洼数据集VOC-3026张
数据集格式：Pascal VOC格式(不包含分割的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：3026 标注数量(xml文件个数)：3026 标注类别数：1 标注类别名称:["pothole"] 每个类别标注的框数： pothole count = 8174 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
道路坑洞目标检测数据集VOC+YOLO格式665张1类别.zip
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) 图片数量(jpg文件个数)：665 标注数量(xml文件个数)：665 标注数量(txt文件个数)：665 标注类别数：1 标注类别名称:["pothole"] 每个类别标注的框数： pothole 框数 = 1740 总框数：1740 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
yolo算法-道路坑洞检测数据集-1990张图像带标签-坑洼.zip
yolo系列算法目标检测数据集，包含标签，可以直接训练模型和验证测试，数据集已经划分好，包含数据集配置文件data.yaml，适用yolov5,yolov8,yolov9,yolov7,yolov10,yolo11算法； 包含两种标签格:yolo格式（txt文件）和voc格式（xml文件），分别保存在两个文件夹中; yolo格式：<class> <x_center> <y_center> <width> <height>， 其中： <class> 是目标的类别索引（从0开始）。 <x_center> 和 <y_center> 是目标框中心点的x和y坐标，这些坐标是相对于图像宽度和高度的比例值，范围在0到1之间。 <width> 和 <height> 是目标框的宽度和高度，也是相对于图像宽度和高度的比例值
【技术分享】ArcGIS Pro底图色彩优化实战：从DEM到山体阴影的进阶调色技巧
本文深入探讨了在ArcGIS Pro中优化地形底图色彩的进阶技巧。通过分析DEM与山体阴影的直方图，详细讲解了如何运用图层混合、亮度、对比度及伽马值等核心参数进行精细化调色，从而将灰暗平淡的地图转化为层次分明、视觉美观的专业成果。
ROS2实战：构建模块化启动文件(launch file)以驱动复杂机器人系统
本文详细介绍了ROS2中构建模块化启动文件(launch file)的最佳实践，帮助开发者高效管理复杂机器人系统的节点启动。通过功能分解、参数化设计和嵌套启动等技术，实现批量管理、依赖控制和配置统一，显著提升系统稳定性和调试效率。文章包含实战代码示例和工程化建议，特别适合自动驾驶、物流机器人等场景应用。
UVM自学笔记3——项目之三——从零开始搭建ahb_sramc验证平台
创建如下所示的目录结构： 2.在tb的文件下：顶层的testbench如下：在tb中，第24行的代码将uvm宏相关的内容include进来，第26行的代码把uvm_pkg包导入进来，然后将agent相关的包（ahb_pkg/sram_pkg），testcase相关的包（uvm_ahb_sram_test_pkg）以及env相关的包(uvm_ahb_sram_env_pkg)都导入进来，在第38行和39行将接口以virtual interface的形式配置给ahb_agent和sramc_agent下
AI 编程助手新玩法：用 Claude Code 一键调用国产大模型（DeepSeek/Kimi/GLM 对比）
本文深入评测了Claude Code与三大国产大模型（DeepSeek、Kimi、智谱GLM）的集成效果，详细对比了它们在代码生成质量、响应速度和特殊场景支持度等方面的差异。通过实测数据和实战技巧，帮助开发者选择最适合的AI编程助手组合，提升开发效率。
Cesium雷达追踪追踪（圆锥体效果）
【代码】Cesium雷达追踪追踪（圆锥体效果）
OpenCV计算机视觉实战（11）——边缘检测详解
在本节中，我们系统介绍了三大经典边缘检测算子，包括 Sobel 算子：一阶导数平衡了噪声抑制与边缘提取，结合方向信息可用于纹理分析与车道检测；Laplacian 算子：二阶导数对微小亮度突变尤为敏感，配合零交叉和细化技术，可精确捕捉任意方向的细节边缘；Canny 算法：集成多阶段处理与双阈值策略，通过多尺度融合与自适应阈值优化，达到抗噪与细节兼顾的卓越效果。
ClaudeCode入门01-环境安装（小白入门：手把手教你配置，超简单的一种接入方式）
文手把手教你从零搭建 Claude Code 开发环境。针对国内网络现状，我们采用 OpenRouter + Claude Code Router 的方案，支持支付宝/微信充值，无需科学上网即可完成配置。内容涵盖 Node.js 安装（macOS/Windows/Linux）、OpenRouter 注册与充值、Claude Code 和 Router 安装配置，以及一键启动脚本的编写。跟着截图一步步操作，10分钟搞定全部环境！
CVE-2021-3156本地提权漏洞复现
受影响版本 sudo: 1.8.2 - 1.8.31p2 sudo: 1.9.0 - 1.9.5p1 测试 我这里是在本地centos7上进行测试。 需要目标机器上存在python编译器、目标主机出网或者能上传文件到目标主机。 以非root用户登录系统，并运行如下命令： sudoedit -s / 通常响应一个以 sudoedit: / 开头的报错，多半存在漏洞。 利用 提权脚本： https://www.o2oxy.cn/wp-content/uploa
精雕软件(JDpaint) 5.5 绿色版
精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版
lwip-2.0.3
lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
518
扫一扫
