自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

AI爱好者的博客，分享计算机领域相关知识

一个计算机专业的分享者

  • 博客(160)
  • 资源 (14)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 dify+wan2.1搭建文生视频生成工具流

本文介绍在dify中使用阿里开源的Wan2.1 1.3B模型搭建文生视频工作流的方法。

2025-04-10 14:20:34 411

原创 【nnUNetv2进阶】二十九、nnUNetv2 魔改网络-小试牛刀-引入RCM（Rectangular Self-Calibration Module）

本文介绍了在nnunet中加入RCM模块的方法

2025-04-09 10:08:41 68 1

原创 [特殊字符]用1块RTX4090榨干性能！手把手部署DeepSeek R1 671B 满血版（附完整代码）[特殊字符]

🚀 硬件准备- 显卡：RTX4090 * 1 （只用到了14GB）- 内存：384GB- 存储：NVMe SSD 1TB+个人技能：- 熟练掌握conda、pip工具- 了解各个库的功能写在前面：DeepSeek R1 671B非常大，本文介绍基于ktransformer的部署方法，把大部分参数加载到内存中去，如果内存不够，无法部署成功。本文不会介绍conda命令和pip等命令的使用，适合有一定基础的开发者。

2025-02-14 12:57:55 869 2

原创 【nnUNetv2进阶】二十八、nnUNetv2 魔改网络-小试牛刀-引入SP卷积

本文介绍了在nnunet中引入spconv的方法。

2025-02-05 07:47:30 241 3

原创 【nnUNetv2进阶】二十七、nnUNetv2 魔改网络-小试牛刀-引入FMB模块

本文介绍了在nnunet中引入FMB的方法

2025-01-25 10:26:15 313

原创 【nnUNetv2进阶】二十六、nnUNetv2 魔改网络-小试牛刀-引入Inception卷积

nnunet使用及改进教程。本文介绍在nnunet中加入inception卷积的方法。

2025-01-13 09:00:00 197 3

原创 【nnUNetv2进阶】二十五、nnUNetv2 魔改网络-小试牛刀-引入Depth-AwareFeature Enhancement

本文介绍了在nnunet中添加Depth-AwareFeature Enhancement模块的方法，该模块对2d nnunet支持较好，3d模块容易出现损失为nan

2025-01-07 08:32:31 200

原创 AutoDL私有云环境安装

本文介绍autodl私有云安装方法。在做深度学习的时候，经常被GPU算力和环境问题困扰，要么算力不够，要么多人共用服务器导致环境管理混乱。AutoDL提供多规格的算力租赁，是非常好用的AI算力平台，AutoDL的试用相信用过的朋友都知道怎么用，今天介绍试用AutoDL搭建私有云平台的过程。

2024-11-24 13:47:30 1423 3

原创 【nnUNetv2进阶】二十四、nnUNetv2 魔改网络-小试牛刀-引入ParNetAttention

nnunet使用及改进教程。nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。

2024-10-28 17:53:19 400 4

原创 【nnUNetv2进阶】二十三、nnUNetv2 魔改网络-小试牛刀-引入SKAttention

nnunet使用及改进教程。nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。

2024-10-14 19:30:36 523 12

原创 【nnUNetv2进阶】二十二、nnUNetv2 魔改网络-小试牛刀-引入ShuffleAttention

nnunet使用及改进教程。nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。

2024-10-08 19:21:13 446 4

原创 使用阿里云试用资源快速部署web应用-dofaker为例

本文介绍使用阿里云的试用资源部署dofaker的方法，本教程主要作学习在阿里云部署web应用之用，部署好应用之后，可以在任何地点通过公网ip访问web应用。

2024-10-02 08:37:41 970

原创 【深度学习实践】基于深度学习的图像去雾算法-ChaIR-实践

本文介绍一个去雾算法ChaIR的使用方法，可以完成图像去雾，也可以用于图像去雨、去噪音等任务。本文不涉及论文原理，只包含源代码的跑通和使用。

2024-08-12 18:36:57 2058 3

原创 【nnUNetv2进阶】二十一、nnUNetv2 魔改网络-小试牛刀-引入ConvNext

nnunet使用及改进教程，本文介绍在nnunet中引入convnext模块的方法。nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。

2024-08-11 15:52:44 1161 11

原创 【nnUNetv2进阶】二十、nnUNetv2 魔改网络-小试牛刀-引入PoolFormer

nnunet使用PoolFormer模块。nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。

2024-08-09 14:52:22 1126 7

原创 【nnUNetv2进阶】十九、nnUNetv2 使用ResidualEncoder训练模型

本文介绍了在nnunetv2中使用ResidualEncoderUNet训练模型的方法，后续本专栏将介绍在ResidualEncoderUNet上改进的方案。

2024-08-03 16:20:28 727 2

原创 【医疗图像分割】UNETR++论文笔记及代码跑通实践

在医疗图像分割任务中，transformer模型获得了巨大的成功，UNETR提出了efficient paired attention (EPA) 模块，利用了空间和通道注意力来有效地学习通道和空间的特征，该模型在Synapse，BTCV,ACDC,BRaTs数据集上都获得了很好地效果。

2024-07-29 12:51:53 3445 33

原创 【nnUNetv2进阶】十八、nnUNetv2 魔改网络-小试牛刀-引入Conditionally Parameterized Convolutions卷积

nnunet使用及改进教程, 本文介绍将conv替换为conditionally conv的方法。nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。

2024-07-19 09:31:16 536 2

原创 【nnUNetv2进阶】十七、nnUNetv2 魔改网络-小试牛刀-引入Dynamic Convolution卷积

nnunet使用及改进教程，本文介绍了将nnunet的卷积替换为dynamic conv的方法。nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。

2024-07-19 08:52:57 846

原创 【nnUNetv2进阶】十六、nnUNetv2 魔改网络-小试牛刀-引入SCConv（Self-Calibrated Convolutions）卷积

本文介绍了在nnunet网络中引入SCConv的方法，该方法替换了原有的卷积模块。

2024-07-17 19:05:29 1019 1

原创 【nnUNetv2进阶】十五、nnUNetv2 魔改网络-小试牛刀-引入ECA

本文介绍了在nnunet中加入eca（Efficient Channel Attention）的方法。

2024-07-17 16:24:44 538

原创 【nnUNetv2进阶】十四、nnUNetv2 魔改网络-小试牛刀-引入ASPP

本文介绍了在nnunet模型中添加deeplabv3中的aspp模块的方法，可以作为一种改进方案。

2024-07-09 15:34:22 682

原创 【nnUNetv2进阶】十三、nnUNetv2 魔改网络-小试牛刀-引入PSP

本文再nnunet中引入了pspnet提出的psp模块，用于融合不同大小的特征信息。

2024-07-07 13:35:54 383

原创 【nnUNetv2进阶】十二、nnUNetv2 魔改网络-小试牛刀-引入SPPF

nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。自适应网络结构调整：根据输入数据集的特点，nnUNet能够自动选择和配置合适的网络深度、宽度等超参数，确保模型在复杂性和性能之间取得平衡。

2024-06-20 13:58:15 667 2

原创 【nnUNetv2进阶】十一、nnUNetv2 魔改网络-小试牛刀-引入注意力机制PolarizedSelfAttention

本文在nnunet网络中加入了极化注意力机制PolarizedSelfAttention，PolarizedSelfAttention是Channel Attention和Spatial Attention的结合，包含并行和串行两种结构，极化注意力机制能够提升网络性能。

2024-06-11 16:30:37 1343 4

原创 【nnUNetv2进阶】十、nnUNetv2 魔改网络-小试牛刀-引入注意力机制EPSA

本文介绍在nnunet中引入EPSA注意力机制模块，EPSA在SE注意力机制的基础上，引入了分组卷积，从而降低了注意力模块的计算量。

2024-05-29 12:45:06 655 2

原创 【nnUNetv2进阶】九、nnUNetv2 魔改网络-小试牛刀-引入DualConv

本文在nnunet的基础上引入了DualConv，DualConv是一种创新的卷积网络结构，旨在构建轻量级的深度神经网络。它通过结合3×3和1×1的卷积核处理相同的输入特征映射通道，优化了信息处理和特征提取。DualConv利用组卷积技术高效排列卷积滤波器，大大降低了计算成本和参数数量。

2024-05-28 16:22:26 634 1

原创 OrangePi AIpro测评体验-Yolov5、OCR模型体验

OrangePi AIpro测评体验-Yolov5、OCR模型体验 非常荣幸受官方邀请体验绍OrangePi AIpro，本文介绍OrangePi AIpro测评Yolov5目标检测/OCR模型整个过程，并在OCR实例代码的基础上增加了摄像头检测的功能。总体来说OrangePi AIpro非常nice，非常适合部署一些小模型。...

2024-05-27 16:11:14 26512

原创 OrangePi AIpro测评体验-Yolov5目标检测模型

本文介绍了OrangePi AIpro的测评结果，跑通了官方给定的示例代码，并使用图片和视频对yolov5模型进行测试，总体感觉非常nice。

2024-05-22 19:38:11 1471 2

原创 【深度学习目标检测】二十六、基于深度学习的垃圾检测系统-含数据集、GUI和源码（python，yolov8）

设计垃圾检测系统的意义在于多个方面，这些方面不仅关乎环境保护和城市管理，还涉及到技术进步和社会效益。综上所述，设计垃圾检测系统具有重要意义，不仅有助于环境保护和资源回收，还能提高城市管理和卫生水平，推动技术创新和应用拓展，产生经济效益和社会效益。同时，系统还能够应对垃圾处理挑战并符合政策和法规的要求。本文介绍了基于yolov8的行人检测计数系统，包括训练过程和数据准备过程，同时提供了推理的代码和GUI。

2024-05-13 12:54:48 1373 1

原创 【nnUNetv2进阶】八、nnUNetv2 魔改网络-小试牛刀-加入注意力机制SCSE

本文介绍了在nnunetv2中加入scse注意力机制的方法。

2024-04-26 15:35:51 783 11

原创 【nnUNetv2进阶】七、nnUNetv2 魔改网络-小试牛刀-加入注意力机制Squeeze-and-Excitation

本文介绍了再nnunet中添加Squeeze-and-Excitation模块，并成功完成了模型训练。

2024-04-18 14:27:14 1476 2

原创 【nnUNetv2进阶】六、nnUNetv2 魔改网络-小试牛刀-加入注意力机制CBAM

本文介绍在nnunet模型中加入cbam的方法，使用该方法可以在改进的模型上非常轻松的完成训练。

2024-04-17 16:50:07 1116

原创 【nnUNetv2进阶】五、nnUNetv2 魔改网络-小试牛刀-加入注意力机制SpatialAttention

之前已经介绍过nnunet的安装、使用以及自定义网络的教程，本文介绍在nnunet中加入SpatialAttention的方法，阅读本文前，请确保已经掌握以下内容：

2024-04-16 08:39:06 1320 3

原创 【nnUNetv2进阶】四、nnUNetv2 魔改网络-小试牛刀-加入注意力机制ChannelAttention

本文介绍了在nnunet中加入ChannelAttention的方法，按照本文教的教程，可以快速完成ChannelAttention的加入和自定义模型的跑通。

2024-04-15 11:11:30 3854 26

原创 【nnUNetv2进阶】三、nnUNetv2 自定义网络-发paper必会

对于很多朋友来说，找到nnunet的网络结构位置的代码可能比较困难，因为nnunet的网络结构从else:代码中没有网络结构的类名，那么使用的网络是哪个呢？打开预处理后的数据集中的nnUNetPlans.json文件，如下图，configurations里面有2d、3d_fullres等，这些表示nnunet的模型，下面的network_class_name指的就是训练使用的模型结构，一般都是PlainConvUNet。

2024-04-13 12:44:12 6023 16

原创 【nnUNetv2实践】二、nnUNetv2快速入门-训练验证推理集成一条龙教程

nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。以下是关于nnUNet的详细解释和特点：自适应框架：nnUNet能够根据具体的医学图像分割任务自动调整模型结构、训练参数等，从而避免了繁琐的手工调参过程。自动化流程：nnUNet包含了从数据预处理到模型训练、验证及测试的全流程自动化工具，大大简化了使用深度学习进行医学图像分割的复杂度。自适应网络结构调整：根据输入数据集的特点，nnUNet能够自动选择和配置合适的网络深度、宽度等超参数，确保模型在复杂性和性能之间取得平衡。

2024-04-08 14:01:45 13617 101

原创 【深度学习目标检测】二十五、基于深度学习的花卉分类系统-含数据集、GUI和源码（python，yolov8）

设计花卉分类系统的原因主要有以下几点：组织和识别：分类系统有助于组织和识别大量的花卉品种。通过将花卉按照特定的标准进行分类，可以更容易地找到、识别和区分不同的花卉。科学研究：分类系统为科学家提供了研究花卉的基础框架。通过对花卉进行分类，科学家可以更好地理解花卉之间的亲缘关系、进化历程和生物多样性，从而推动植物学和相关领域的研究进展。园艺和农业应用：对于园艺师和农民来说，花卉分类系统有助于选择适合特定环境和用途的花卉品种。通过了解花卉的分类信息，他们可以更有针对性地选择种植、繁殖和推广特定的花卉。

2024-03-29 13:37:59 1740

原创 【深度学习目标检测】二十四、基于深度学习的疲劳驾驶检测系统-含数据集、GUI和源码（python，yolov8）

疲劳驾驶是引发交通事故的重要因素之一。驾驶员在长时间驾驶或缺乏休息的情况下，反应速度和判断能力会显著下降，从而增加事故风险。通过实时检测驾驶员的疲劳状态，并及时发出警告或采取相应措施，疲劳驾驶检测系统可以显著提高道路安全性，减少因疲劳驾驶引发的事故。：长时间驾驶对驾驶员的身体健康也有不良影响，可能导致肌肉疲劳、眼睛疲劳、颈椎问题等。通过检测疲劳状态，系统可以提醒驾驶员适时休息，有助于保护驾驶员的身体健康。：疲劳驾驶不仅危险，还会导致驾驶效率下降。

2024-03-23 13:41:26 3145 2

原创 【nnUNetv2实践】一、nnUNetv2安装

nnUNet是一个自适应的深度学习框架，专为医学图像分割任务设计。此外，nnUNet还提供了丰富的文档和示例，帮助用户更好地了解和使用该框架。要使用nnUNet，用户需要安装Python和相应的深度学习框架，然后按照官方文档提供的步骤进行操作即可。总的来说，nnUNet是一个功能强大、易于使用的深度学习框架，特别适用于医学图像分割任务。它的自适应特性、自动化流程和先进的训练策略使得用户能够更高效地构建和训练模型，同时获得更好的性能表现。本文介绍nnunetv2的安装方法。

2024-03-18 13:08:17 8358 31

图像去雾代码-SOTS划分好的8：2数据集-训练好的去雾权重-包含推理代码
图像去雾代码-SOTS划分好的8：2数据集-训练好的去雾权重-包含推理代码 SOTS（Synthetic Objective Testing Set）去雾数据集是RESIDE（REalistic Single Image DEhazing）数据集的一个重要组成部分，专门用于单图像去雾算法的客观评估。以下是对SOTS去雾数据集的详细介绍： 一、数据集概述 来源：SOTS数据集是RESIDE数据集中的一个子集，RESIDE是一个大规模的数据集，旨在公平地评估和比较单图像去雾算法。 目的：SOTS数据集主要用于客观测试，通过提供合成模糊图像及其对应的清晰图像，帮助研究人员评估去雾算法的性能。 二、数据集内容 图像来源：SOTS数据集从NYU2数据集中选择了500个室内图像（这些图像与训练图像不重叠），并按照与训练数据相同的过程来合成模糊图像。 图像数量：包含500对合成模糊图像及其对应的清晰图像。 图像特性：为了测试算法的鲁棒性，SOTS数据集中还包含了具有挑战性的去雾情况，如添加了浓雾的白色场景。

2024-08-12

SOTS数据集8：2划分训练和验证集，可用于训练去雾模型
SOTS（Synthetic Objective Testing Set）去雾数据集是RESIDE（REalistic Single Image DEhazing）数据集的一个重要组成部分，专门用于单图像去雾算法的客观评估。以下是对SOTS去雾数据集的详细介绍： 一、数据集概述 来源：SOTS数据集是RESIDE数据集中的一个子集，RESIDE是一个大规模的数据集，旨在公平地评估和比较单图像去雾算法。 目的：SOTS数据集主要用于客观测试，通过提供合成模糊图像及其对应的清晰图像，帮助研究人员评估去雾算法的性能。 二、数据集内容 图像来源：SOTS数据集从NYU2数据集中选择了500个室内图像（这些图像与训练图像不重叠），并按照与训练数据相同的过程来合成模糊图像。 图像数量：包含500对合成模糊图像及其对应的清晰图像。 图像特性：为了测试算法的鲁棒性，SOTS数据集中还包含了具有挑战性的去雾情况，如添加了浓雾的白色场景。 三、数据集特点 合成性：SOTS数据集中的模糊图像是通过合成方式生成的，这有助于控制实验条件，减少外界因素的干扰。 多样性：数据集包含了多种室内场景和不同程度的模糊情

2024-08-12

2023年全国职业院校技能大赛赛题汇总（第二批）高职组 GZ075 云计算应用赛题第1-10套
某企业根据自身业务需求，实施数字化转型，规划和建设数字化平台，平台聚焦 “DevOps开发运维一体化”和“数据驱动产品开发”,拟采用开源OpenStack 搭建企 业内部私有云平台，开源Kubernetes 搭建云原生服务平台，选择国内主流公有云平 台服务，基于数字化平台底座，面向业务开发边缘计算云应用产品。 拟将该任务交给工程师 A 与 B, 分工协助完成云平台服务部署、云应用开发、 云系统运维等任务，系统架构如图1所示，IP 地址规划如表1所示。 说明 1.竞赛使用集群模式进行，比赛时给每个参赛队提供独立的租户与用户，各用户 的资源配额相同，参赛选手通过用户名与密码登录竞赛用私有云平台，创建云主机进 行相应答题，2名参赛选手的账号密码相同； 2.表中的x 为赛位号，在进行OpenStack搭建时的第二块网卡地址根据题意自行 创建； 3.根据图表给出的信息，检查硬件连线及网络设备配置，确保网络连接正常； 4.考试所需要的账号资源、竞赛资源包与附件均会在考位信息表与设备确认单中 给出； 5.竞赛过程中，为确保服务器的安全，请自行修改服务器密码；在考试系统提交 信息时.

2024-08-11

基于yolov8的垃圾检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，可检测5类垃圾
基于yolov8的垃圾检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在垃圾数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的垃圾检测推理代码，可以根据推理代码快速实现垃圾数量计数推理； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、代码采用模块化设计，各个功能解耦，可以很轻松的进行二次开发、修改； 8、yolov8模型可以轻松替换为其他版本的yolo模型，轻松训练自己的模型并替换。

2024-05-13

5类垃圾分类yolov8格式数据集，该数据集包含五个类别：paper、cup、citrus、bottle、battery
设计垃圾检测系统的意义在于多个方面，这些方面不仅关乎环境保护和城市管理，还涉及到技术进步和社会效益。以下是设计垃圾检测系统的主要意义： 环境保护与资源回收： 垃圾检测系统能够有效地识别不同种类的垃圾，帮助人们进行准确的分类投放。这有助于减少污染，降低对环境的负面影响。 通过智能识别技术，系统能够自动筛选出可回收物，提高资源回收率，减少资源浪费。 城市管理与卫生改善： 垃圾检测系统有助于城市管理部门更好地监控和管理城市垃圾，提高城市清洁度和卫生水平。 通过实时监控和数据分析，系统能够及时发现并解决垃圾处理过程中的问题，提高城市管理的效率和水平。 提高公众环保意识： 垃圾检测系统可以作为一种教育工具，提高公众对垃圾分类和环保的认识和重视程度。 通过直观的展示和反馈，系统能够引导公众形成正确的垃圾分类习惯，推动环保理念的普及和实践。 技术创新与应用： 垃圾检测系统的设计和实现涉及多个技术领域，如计算机视觉、传感器技术、人工智能等。这有助于推动相关技术的创新和发展。 系统的应用可以为其他领域提供借鉴和参考，推动技术进步和应用拓展。 经济效益与社会效益： 垃圾检测系统的应用可以降低垃圾处理成本

2024-05-13

基于yolov8的疲劳驾驶检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，可检测睁眼闭眼、张嘴闭嘴
基于yolov8的疲劳驾驶检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在疲劳驾驶数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的疲劳驾驶检测推理代码，可以根据推理代码快速实现疲劳驾驶数量计数推理； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、代码采用模块化设计，各个功能解耦，可以很轻松的进行二次开发、修改； 8、yolov8模型可以轻松替换为其他版本的yolo模型，轻松训练自己的模型并替换。

2024-05-09

基于yolov8的花卉分类系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的花卉分类系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在花卉分类数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的花卉分类推理代码，可以根据推理代码快速实现花卉分类； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、代码采用模块化设计，各个功能解耦，可以很轻松的进行二次开发、修改； 8、yolov8模型可以轻松替换为其他版本的yolo模型，轻松训练自己的模型并替换。

2024-03-29

5类花卉分类yolov8格式数据集，该数据集包含五个类别：daisy/dandelion/roses/sunflowers/tu
5类花卉分类yolov8格式数据集，该数据集包含五个类别：daisy/dandelion/roses/sunflowers/tulips 设计花卉分类系统的原因主要有以下几点： 组织和识别：分类系统有助于组织和识别大量的花卉品种。通过将花卉按照特定的标准进行分类，可以更容易地找到、识别和区分不同的花卉。 科学研究：分类系统为科学家提供了研究花卉的基础框架。通过对花卉进行分类，科学家可以更好地理解花卉之间的亲缘关系、进化历程和生物多样性，从而推动植物学和相关领域的研究进展。 园艺和农业应用：对于园艺师和农民来说，花卉分类系统有助于选择适合特定环境和用途的花卉品种。通过了解花卉的分类信息，他们可以更有针对性地选择种植、繁殖和推广特定的花卉。 保护和资源管理：分类系统有助于保护濒危花卉品种和合理利用花卉资源。通过对花卉进行分类和评估，可以制定更有效的保护策略，确保濒危品种的生存和繁衍。同时，分类系统也有助于合理开发和利用花卉资源，满足人类对于观赏、药用、香料等方面的需求。 教育和普及：花卉分类系统还有助于教育和普及植物学知识。通过向公众展示花卉的分类信息和特点，可以提高人们对植物多

2024-03-29

（驾驶疲劳检测）yolov8格式数据集，该数据集2041个训练数据，582个验证数据，291个测试数据
（驾驶疲劳检测）yolov8格式数据集，该数据集2041个训练数据，582个验证数据，291个测试数据，可直接用于训练yolov8 设计一个疲劳驾驶检测系统的重要性主要体现在以下几个方面： 提高道路安全：疲劳驾驶是引发交通事故的重要因素之一。驾驶员在长时间驾驶或缺乏休息的情况下，反应速度和判断能力会显著下降，从而增加事故风险。通过实时检测驾驶员的疲劳状态，并及时发出警告或采取相应措施，疲劳驾驶检测系统可以显著提高道路安全性，减少因疲劳驾驶引发的事故。 保护驾驶员健康：长时间驾驶对驾驶员的身体健康也有不良影响，可能导致肌肉疲劳、眼睛疲劳、颈椎问题等。通过检测疲劳状态，系统可以提醒驾驶员适时休息，有助于保护驾驶员的身体健康。 提升驾驶效率与舒适度：疲劳驾驶不仅危险，还会导致驾驶效率下降。一个能够准确检测疲劳并及时提醒驾驶员的系统，可以帮助驾驶员保持清醒和专注，从而提高驾驶效率。同时，合理的休息安排也能提升驾驶员的驾驶舒适度。

2024-03-23

基于yolov8的抽烟检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的抽烟检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在抽烟数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的抽烟检测推理代码，可以根据推理代码快速实现抽烟数量计数推理； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、代码采用模块化设计，各个功能解耦，可以很轻松的进行二次开发、修改； 8、yolov8模型可以轻松替换为其他版本的yolo模型，轻松训练自己的模型并替换。

2024-03-23

基于yolov8的洋葱检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出

基于yolov8的洋葱检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在洋葱数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的洋葱检测推理代码，可以根据推理代码快速实现麦穗数量计数推理； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、代码采用模块化设计，各个功能解耦，可以很轻松的进行二次开发、修改； 8、yolov8模型可以轻松替换为其他版本的yolo模型，轻松训练自己的模型并替换。

2024-03-23

基于yolov8的火灾检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的火灾烟雾检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在火灾数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的火灾检测推理代码，可以根据推理代码快速实现麦穗数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/135726965所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-03-23

nnunet训练测试数据集
nnunet训练测试数据集，来自马萨诸塞道路遥感数据集。 马萨诸塞道路遥感数据集（Massachusetts Roads Dataset）是一个用于道路提取和遥感图像分析的数据集。它包含了马萨诸塞州的高分辨率航空影像，以及对应的道路网络标注信息。这些数据通常用于训练和评估机器学习模型，特别是深度学习模型，在道路提取和遥感图像分割等任务上的性能。 该数据集的特点包括： 高分辨率航空影像：数据集中的图像具有高分辨率，能够清晰地展示地表的细节和道路网络的结构。 大规模覆盖：数据集覆盖了马萨诸塞州的广泛区域，包括城市、郊区和农村地区，提供了丰富的地理和道路类型多样性。 精确标注：数据集中的道路网络标注信息通常是通过栅格化OpenStreetMap项目中的道路中心线生成的。标注信息准确可靠，可以用于训练和评估模型。 挑战性任务：从航空图像中准确提取道路网络是一项具有挑战性的任务，因为道路可能受到周围地物、树木遮挡、阴影等因素的影响。这使得该数据集成为测试和评估机器学习模型性能的重要基准。 在使用马萨诸塞道路遥感数据集时，研究人员通常会将其划分为训练集、验证集和测试集，以便进行模型的训练、验证

2024-03-18

基于yolov8的路标检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出

基于yolov8的路标检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在路标数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的路标检测推理代码，可以根据推理代码快速实现路标数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/135020996所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境；

2024-03-17

基于yolov8的行人检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出

基于yolov8的行人检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在行人数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的行人检测推理代码，可以根据推理代码快速实现行人数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/136672507所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-03-13

widerperson（密集行人检测）yolov8格式数据集，该数据集8000个训练数据，1000个验证数据，4382个测试数据
widerperson（密集行人检测）yolov8格式数据集，该数据集8000个训练数据，1000个验证数据，4382个测试数据 WiderPerson数据集是一个用于行人检测的基准数据集，专门针对拥挤场景设计。该数据集由中国科学院自动化研究所的生物测定和安全研究中心(CBSR)和国家模式识别实验室(NLPR)共同发布。与许多其他行人检测数据集不同，WiderPerson数据集的图像来源于多种场景，不再局限于交通场景，这使得该数据集在行人检测的多样性和复杂性方面具有优势。 WiderPerson数据集包含了13382张图像，共计标注了约40万个不同遮挡程度的人体。这些图像被随机划分为训练、验证和测试子集，分别为8000张、1000张和4382张。标注信息涵盖了各种行人类型，包括正常行人、骑车人、遮挡部分的人体、人形物体以及无法区分的密集人堆等，使得该数据集能够更全面地评估行人检测算法在真实场景中的性能。 需要注意的是，与CityPersons和WIDER FACE数据集类似，WiderPerson数据集的测试图像并不提供标注文件的公开下载。

2024-03-13

基于yolov8的肺炎检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出

基于yolov8的肺炎检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在肺炎数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的肺炎检测推理代码，可以根据推理代码快速实现肺炎数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/136429106所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-03-03

RSNA Pneumonia（RSNA肺炎）yolov8格式数据集，该数据集包含5950个训练数据，662个测试数据
RSNA Pneumonia（RSNA肺炎）yolov8格式数据集，该数据集包含5950个训练数据，662个测试数据 RSNA Pneumonia Detection Challenge数据集是一个用于肺炎检测挑战的数据集，它包含了胸部X光图像以及相应的标签，用于训练和评估肺炎检测算法。该数据集由RSNA（Radiological Society of North America）提供，旨在推动医学影像分析领域的研究和发展。 该数据集通常包含以下几个部分： 训练集（Training Set）：包含多个胸部X光图像以及对应的标签，其中标签指示了图像中是否存在肺炎。训练集用于训练肺炎检测算法。 验证集（Validation Set）：也包含多个胸部X光图像和标签，用于在训练过程中评估模型的性能，以便进行模型选择和调整。 测试集（Test Set）：包含多个未标记的胸部X光图像，用于评估最终训练好的肺炎检测算法的性能。测试集的标签通常不公开，以确保公正性和客观性。 需要注意的是，该数据集包含敏感的医疗信息，因此在使用时应遵守相关的隐私和伦理规定，确保数据的合法性和安全性。 ​

2024-03-03

基于yolov8的葡萄检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的葡萄检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在葡萄数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的葡萄检测推理代码，可以根据推理代码快速实现葡萄数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/136247077所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-02-27

WGISD葡萄数据集yolov8检测格式，包含242个训练集和58个测试集，可用于训练yolov8算法（不包含实例分割）
WGISD葡萄数据集yolov8检测格式，包含242个训练集和58个测试集，可用于训练yolov8算法（不包含实例分割） WGISD（Wine Grape Instance Segmentation Dataset）是为了提供图像和注释来研究对象检测和实例分割，用于葡萄栽培中基于图像的监测和现场机器人技术。它提供了来自五种不同葡萄品种的实地实例。这些实例显示了葡萄姿势、光照和焦点的变化，包括遗传和物候变化，如形状、颜色和紧实度。可能的用途包括放宽实例分割问题：分类（图像中是否有葡萄？）、语义分割（图像中的“葡萄像素”是什么？）、对象检测（图像中的葡萄在哪里？）、和计数（每个簇有多少浆果？）。WGISD 还可用于葡萄品种鉴定。每个实例都包含一个 RGB 图像和一个将葡萄簇位置描述为边界框的注释。实例的一个子集还包含标识属于每个葡萄簇的像素的二进制掩码。每幅图像至少呈现一个葡萄串。一些葡萄串可能会出现在背景很远的地方，应该被忽略。

2024-02-27

基于yolov8的雾天车辆行人检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的雾天车辆行人检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在RTTS数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的雾天车辆行人检推理代码，可以根据推理代码快速实现目标数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/136297591所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-02-26

基于yolov8的芒果计数分割系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的芒果检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在芒果数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的芒果检测推理代码，可以根据推理代码快速实现芒果数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/136268050所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-02-24

芒果实例分割数据集yolov8格式，可用于yolov8的训练，包含453条训练数据，91条验证数据
芒果实例分割数据集在多个场景中都有重要的应用，以下是几个主要的使用场景： 精准农业与果园管理：在精准农业中，对果园中的芒果进行实例分割可以帮助农民更准确地了解每个芒果的生长情况，包括大小、形状、颜色等。这有助于农民进行针对性的管理，如施肥、灌溉和修剪，从而提高果园的产量和质量。 自动化采摘：芒果实例分割数据集可以用于训练自动化采摘机器人。通过识别图像中的芒果实例，机器人可以精确地定位并采摘芒果，从而提高采摘效率和减少人工成本。 质量评估与分类：在芒果的分级和质量控制中，实例分割技术可以帮助对芒果进行自动分类。通过分析芒果的形状、大小和颜色等特征，可以评估芒果的成熟度、新鲜度和品质等级，从而为消费者提供更高质量的芒果产品。 病虫害检测：芒果实例分割数据集也可用于病虫害的检测和诊断。通过对芒果图像的分割和分析，可以检测病虫害的发生，及时发现并采取相应的防治措施，减少损失并保障芒果的健康生长。 智能监控与安全追溯：在芒果的储存和运输过程中，使用实例分割技术可以实现对芒果的实时监控和追溯。通过识别图像中的芒果实例，可以监测芒果的状态和变化，及时发现异常情况并采取相应措施，确保芒果的安

2024-02-24

基于yolov8的人脸检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的人脸检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在人脸数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的人脸检测推理代码，可以根据推理代码快速实现麦穗数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/136247077所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-02-23

基于yolov8的火灾检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的火灾烟雾检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在火灾数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的火灾检测推理代码，可以根据推理代码快速实现麦穗数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/135726965所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-02-22

yolov8火灾烟雾检测的训练好权重，可直接用于yolov8推理
yolov8火灾烟雾检测的训练好权重，可直接用于yolov8推理 火灾烟雾检测的必要性主要体现在以下几个方面： 1. 早期警报：火灾发生时，烟雾是最早出现的迹象之一。烟雾检测系统能够及早发现烟雾的存在并发出警报，提前通知人们火灾的发生，有助于人们尽早逃离危险区域，降低伤亡和财产损失。 2. 提供即时救援：火灾发生后，烟雾检测系统可以自动触发报警，通知相关人员和救援部门，加快救援行动的响应时间，提高救援效率，最大程度地减少火灾造成的人员伤亡和房屋财产损失。 3. 预防火灾蔓延：火灾烟雾检测系统可以及早发现烟雾并报警，有助于迅速阻止火势蔓延。通过及早警报，消防部门可以更早地介入火灾现场，进行灭火和控制火势蔓延，减少火灾扩大的可能性。 4. 自动化控制：火灾烟雾检测系统可以与其他设备和系统进行联动，实现自动化控制。例如，当烟雾检测系统发现有烟雾时，可以自动关闭通风系统和电力设备，防止火灾蔓延和进一步危害。 综上所述，火灾烟雾检测对于提早发现火灾、提供即时救援、预防火灾蔓延以及实现自动化控制都具有重要的必要性。它可以保护人们的生命安全和财产安全，减少火灾带来的损失。

2024-02-22

基于yolov8的洋葱检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的洋葱检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在洋葱数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的洋葱检测推理代码，可以根据推理代码快速实现麦穗数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/135726965所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-01-21

洋葱实例分割数据集yolov8格式，可用于yolov8的训练，包含2425条训练数据，688条验证数据，363条测试数据
以下是此数据集的一些适用场景： 1.杂货库存管理：洋葱检测器可用于超市和杂货店，通过准确识别和计数存储区域或展示架上的洋葱，自动监控和管理洋葱的库存和库存。 2.洋葱收获自动化：使用洋葱检测器模型开发收获自动化设备可以帮助农民和农业公司检测和分离除草植物或土壤中的洋葱，显着提高洋葱收获过程的速度和效率。 3.食品工业质量控制：洋葱检测仪可以集成到食品加工厂的生产线中，使系统能够自动检测各个加工阶段的洋葱 - 例如分类，清洁和分级 - 以确保最终产品的质量一致。 4.减少洋葱浪费：该模型可用于零售、餐厅或家庭环境，以识别可能开始变质的洋葱，使消费者或餐饮服务经营者能够在需要丢弃之前优先使用这些洋葱，最终限制食物浪费。 5.智能厨房辅助：通过将洋葱检测器集成到智能厨房电器中，用户可以根据可用成分（包括洋葱）接收自动食谱建议，从而更轻松地确定膳食选项，而无需手动搜索食谱数据库。

2024-01-21

基于yolov8的麦穗头检测系统，包含训练好的权重和推理代码，GUI界面，支持图片、视频、摄像头输入，支持检测结果导出
基于yolov8的麦穗检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在麦穗数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的麦穗检测推理代码，可以根据推理代码快速实现麦穗数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/135569609所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-01-13

全球麦穗检测数据集yoloV8格式，采用8：2划分训练集和验证集，包含2698个训练数据和675个验证数据，可用于训练yolo8
全球麦穗检测数据集yoloV8格式，采用8：2划分训练集和验证集，包含2698个训练数据和675个验证数据，可用于训练yolo8 原始数据集地址：https://www.cvmart.net/dataSets/detail/339 本资源已经对原始数据集进行处理，使其可以直接用于训练yolov8 全球麦穗检测是植物表型分析领域的一个挑战，主要目标是检测图像中的小麦麦穗。这种检测在农业领域具有重要意义，可以帮助农民评估作物的健康状况和成熟度。然而，由于小麦麦穗在视觉上具有挑战性，准确检测它们是一项艰巨的任务。 全球麦穗检测数据集（GWHD）是一个公开可用的数据集，用于训练和测试麦穗检测算法。该数据集创建于2020年，从7个国家/机构的4700张RGB图像中收集了193,634个有标记的小麦麦穗。为了改进数据集的质量，2021年对数据集进行了重新检查、标记和扩充，增加了另外5个国家的1722张照片，允许增加81553个小麦麦穗。 全球麦穗检测的挑战在于准确识别不同品种、不同生长环境、不同光照条件、不同拍摄角度下的麦穗。由于小麦麦穗经常重叠、颜色和外观变化多样，这使得检测更具挑战性。

2024-01-13

基于yolov8的口罩检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入
基于yolov8的口罩检测系统，包含使用yolov8训练好的模型权重，使用pyqt开发的显示界面，支持图片、视频、摄像头输入 相关说明： 1、本资源包含yolov8在口罩数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的口罩检测推理代码，可以根据推理代码快速实现口罩数量计数推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/135568325 所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-01-13

口罩目标检测检测数据集，VOC/COCO/yolov8，包含105个训练，29个验证，15个测试，包含2个类：佩戴和不佩戴口罩
口罩目标检测检测数据集，VOC/COCO/yolov8格式，共包含105个训练数据，29个验证数据，15个测试数据，包含2个类：佩戴口罩和不佩戴口罩 1、该数据集包含VOC/COCO/yolov8共三种格式，可直接用于训练模型； 2、该数据集包含105个训练数据，29个验证数据，15个测试数据，包含2个类：佩戴口罩和不佩戴口罩 设计口罩检测系统具有重要意义，主要体现在以下几个方面： 实时监测和预警：口罩检测系统可以对视频画面进行实时监测，当发现有人未佩戴口罩时，及时进行报警或提示，有效保障各类出入口及人口密集区域的公共场所安全。 提高效率：将安防操作人员从繁杂而枯燥的“盯屏幕”任务中解脱出来，提高工作效率。 降低误报和漏报：系统可以真正做到事前预警，事中常态检测，事后规范管理，最大限度地降低误报和漏报现象。 智能化和定制化：利用先进的自动化设备和人工智能技术，提高口罩检测的效率和准确性。同时，根据不同客户的需求，提供定制化的口罩检测服务，满足客户的个性化需求。 防疫需求：在全球新冠大背景下，人们在公共场所出行佩戴口罩已经成为共识，对行人是否佩戴口罩进行监督提醒也显得尤为重要。口罩检测

2024-01-13

BCD数据集yolo格式，包含白细胞（WBC）、红细胞（RBC）和血小板（Platelets）共3个类别，共包含364个数据
本资源对应的博客为：https://blog.youkuaiyun.com/qq_40035462/article/details/135525008 BCD数据集yolo格式，包含白细胞（WBC）、红细胞（RBC）和血小板（Platelets）共3个类别，共包含364个数据，其中训练数据255个，验证数据73个，测试数据36个 BCD血细胞检测数据集是一个用于血细胞检测的数据集，包含白细胞（WBC）、红细胞（RBC）和血小板（Platelets）等类别。每个类别都有相应的图像和标签，用于训练和测试血细胞检测模型。 该数据集主要用于血细胞检测领域的研究和开发，包括血细胞分类、计数和异常细胞检测等方面的应用。通过使用该数据集，研究人员可以开发出更加准确、高效的血细胞检测算法和系统，提高血细胞检测的准确性和可靠性，为临床诊断和治疗提供更加可靠的依据。

2024-01-11

血细胞技术BCD-yolo8检测系统，包含模型训练权重、推理代码，包含GUI界面，支持图片、视频、摄像头检测，支持导出检测结果
血细胞技术BCD数据集检测、yolo8模型训练权重、推理代码，包含GUI界面，支持图片、视频、摄像头检测，支持导出检测结果。 相关说明： 1、本资源包含yolov8在BCD数据集上的训练权重，包含best.pt和last.pt两个权重； 2、本资源包含yolov8的血细胞推理代码，可以根据推理代码快速实现血细胞数量推理； 3、本资源包含的内容介绍如博客：https://blog.youkuaiyun.com/qq_40035462/article/details/135525008 所示； 4、本资源包含GUI界面，该GUI界面支持图片检测、视频检测、摄像头检测； 5、该GUI支持导出检测结果到指定的文件目录下； 6、该代码使用pyqt、ultralystic开发，需要安装相关依赖，建议使用conda虚拟环境； 7、该代码提供售后服务，如果您在使用中遇到任何问题，可以联系压缩包中的联系方式； 8、售后服务包含：代码安装、代码跑通、环境搭建、使用教学，不包含功能修改； 9、修改代码可能需要额外付费，价格根据具体的功能需求制定； 10、代码有任何问题，可以直接联系作者，确保您能跑通。

2024-01-11

BCCD yolov8推理代码、训练好的权重、tensorboard日志、精度曲线、recall曲线、F1曲线
BCCD yolov8推理代码、训练好的权重、tensorboard日志、精度曲线、recall曲线、F1曲线 BCCD血细胞检测数据集coco格式，BCCD数据集包含3个类别：RBC,WBC和Platelets ，可用于训练血细胞检测模型 该数据集共364张图片，其中训练集包含205张图片，验证集包含87张图片，测试集包含72张图片。 BCCD血细胞检测数据集是一个用于血细胞检测的数据集。该数据集包含三类血细胞：白细胞（WBC）、红细胞（RBC）和血小板（Platelets）。每个类别都有相应的图像和标签，用于训练和测试血细胞检测模型。 数据集中的每个图像都包含一定数量的血细胞，这些血细胞被标记为不同的类别。标签信息以XML格式存储，其中包含了每个血细胞的类别、位置和大小等信息。 使用BCCD血细胞检测数据集，可以训练各种血细胞检测算法，例如基于深度学习的算法。通过对数据集进行训练和测试，可以评估算法的性能和准确度，进一步优化和改进血细胞检测技术。 本资源为BCCD数据集从VOC格式转换而来的COCO格式，可以用于直接训练目标及安策模型。

2024-01-11

BCCD血细胞检测数据集YOLO8格式，BCCD数据集包含3个类别：RBC,WBC和Platelets ，共364张图片
BCCD血细胞检测数据集yolov8格式，BCCD数据集包含3个类别：RBC,WBC和Platelets ，可用于训练血细胞检测模型 该数据集共364张图片，其中训练集包含205张图片，验证集包含87张图片，测试集包含72张图片。 BCCD血细胞检测数据集是一个用于血细胞检测的数据集。该数据集包含三类血细胞：白细胞（WBC）、红细胞（RBC）和血小板（Platelets）。每个类别都有相应的图像和标签，用于训练和测试血细胞检测模型。 数据集中的每个图像都包含一定数量的血细胞，这些血细胞被标记为不同的类别。标签信息以XML格式存储，其中包含了每个血细胞的类别、位置和大小等信息。 使用BCCD血细胞检测数据集，可以训练各种血细胞检测算法，例如基于深度学习的算法。通过对数据集进行训练和测试，可以评估算法的性能和准确度，进一步优化和改进血细胞检测技术。 本资源为BCCD数据集从VOC格式转换而来的YOLOV8格式，可以用于直接训练目标及安策模型。

2024-01-11

CBC数据集COCO格式，包含白细胞（WBC）、红细胞（RBC）和血小板（Platelets）等类别，训练/验证集为300/60
CBC数据集COCO格式，包含白细胞（WBC）、红细胞（RBC）和血小板（Platelets）等类别，训练/验证集划分为300个训练集，60个验证集（请注意：官方数据集中从训练集抽取了60个数据作为验证集，本数据集的验证集为官方数据集的测试集） CBC血细胞检测数据集是一个用于血细胞检测的数据集，包含白细胞（WBC）、红细胞（RBC）和血小板（Platelets）等类别。每个类别都有相应的图像和标签，用于训练和测试血细胞检测模型。 该数据集主要用于血细胞检测领域的研究和开发，包括血细胞分类、计数和异常细胞检测等方面的应用。通过使用该数据集，研究人员可以开发出更加准确、高效的血细胞检测算法和系统，提高血细胞检测的准确性和可靠性，为临床诊断和治疗提供更加可靠的依据。

2024-01-10

BCCD血细胞检测数据集coco格式，BCCD数据集包含3个类别：RBC,WBC和Platelets ，共364张图片
BCCD血细胞检测数据集coco格式，BCCD数据集包含3个类别：RBC,WBC和Platelets ，可用于训练血细胞检测模型 该数据集共364张图片，其中训练集包含205张图片，验证集包含87张图片，测试集包含72张图片。 BCCD血细胞检测数据集是一个用于血细胞检测的数据集。该数据集包含三类血细胞：白细胞（WBC）、红细胞（RBC）和血小板（Platelets）。每个类别都有相应的图像和标签，用于训练和测试血细胞检测模型。 数据集中的每个图像都包含一定数量的血细胞，这些血细胞被标记为不同的类别。标签信息以XML格式存储，其中包含了每个血细胞的类别、位置和大小等信息。 使用BCCD血细胞检测数据集，可以训练各种血细胞检测算法，例如基于深度学习的算法。通过对数据集进行训练和测试，可以评估算法的性能和准确度，进一步优化和改进血细胞检测技术。 本资源为BCCD数据集从VOC格式转换而来的COCO格式，可以用于直接训练目标及安策模型。

2024-01-10

PlantVillage是一个植物病害图像数据库，常作为基础数据集用于农作物病害及植物病害的相关研究 该数据库的图像都是在实验
PlantVillage是一个植物病害图像数据库，常作为基础数据集用于农作物病害及植物病害的相关研究。 该数据库的图像都是在实验室中拍摄的， 目前数据集中有 54305 张植物病害叶片图像，其中包含 13 种植物共 26 类病害叶片。 该数据集中 有38 个类别的样本图像。

2023-12-29

AdvertiseGen数据集，可以训练输入-输出 大模型
AdvertiseGen数据集，可以训练输入-输出 大模型

2023-12-28

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除