- 博客(42)
- 收藏
- 关注
RSS订阅原创 【YOLO系列（V5-V12）通用数据集-火灾烟雾检测数据集】
数据集采用YOLO标注格式。标注文件是适用yolov5， yolov7，yolov8 ，yolov9 ，yolov10，yolov11训练的txt格式。YOLO格式的火灾烟雾检测数据集，适用于YOLOv5-v11所有版本，可以用于本科毕设、发paper、做课设等等，共10463张图像，共2类别，2类别分别是['Fire', 'Smoke']。数据集的yaml文件是写好的，只需要更换其中数据集路径就可以直接训练。注意：标注文件中的0-1代表['Fire', 'Smoke']；即[' 火 '，' 烟雾 ']；
2025-04-04 17:01:03
326
原创 【YOLO系列（V5-V12）通用数据集-电梯内电动车检测数据集】
YOLO格式的电梯内电动车检测数据集，适用于YOLOv5-v11所有版本，可以用于本科毕设、发paper、做课设等等，
2025-04-04 16:53:13
493
原创 【YOLO系列（V5-V12）通用数据集-剪刀石头布手势检测数据集】
YOLO格式的剪刀石头布手势检测数据集，适用于YOLOv5-v11所有版本，可以用于本科毕设、发paper、做课设等等，
2025-04-04 16:02:50
404
原创 【YOLO系列（V5-V12）通用数据集-交通红黄绿灯检测数据集】
YOLO格式的交通红黄绿灯检测数据集，适用于YOLOv5-v11所有版本，可以用于本科毕设、发paper、做课设等等
2025-04-04 14:13:29
363
原创 【YOLO系列（V5-V12）通用数据集-X光包裹内违禁品检测数据集】
YOLO格式的X光包裹内违禁品检测数据集，适用于YOLOv5-v11所有版本，可以用于本科毕设、发paper、做课设等等，
2025-04-04 14:10:37
424
原创 【YOLO系列（V5-V12）通用数据集-工程用车检测数据集】
YOLO格式的工程车检测数据集，适用于YOLOv5-v11所有版本，可以用于本科毕设、发paper、做课设等等，
2025-04-04 14:01:37
623
原创 基于YOLOv8深度学习的人员跌倒检测识别系统【python源码+GUI界面+数据集+训练代码+训练结果+登录界面】
摘要：本文提出了一种基于 YOLOv8 算法的人员跌倒检测系统，旨在提升公共场所的安全管理效率。针对传统检测方法在复杂场景下人员行为判断中的局限性，本研究采用改进型 YOLOv8 目标检测框架。系统首先构建包含站立、行走、跑步、跌倒等典型人员行为的多源视频图像数据库，通过数据增强策略优化样本多样性。系统架构集成图像预处理、动态推理和可视化分析模块，可实时处理公共场所采集的视频图像并输出人员行为定位及分类结果。
2025-03-31 16:38:19
970
原创 基于YOLOv8深度学习的PCB缺陷检测识别系统【python源码+GUI界面+数据集+训练代码+登录界面】
本文提出了一种基于YOLOv8算法的印刷电路板（PCB）缺陷智能检测系统，旨在提升电子制造领域的质量控制效率。针对传统检测方法在复杂缺陷识别中的局限性，本研究采用改进型YOLOv8目标检测框架。系统首先构建包含短路、断路、焊点缺陷、划痕等典型缺陷的多源PCB图像数据库，通过数据增强策略优化样本多样性。系统架构集成图像预处理、动态推理和可视化分析模块，可实时处理产线采集的PCB图像并输出缺陷定位及分类结果。通过实验验证，基于YOLOv8的PCB缺陷检测系统展现出优异的准确性和实时性。
2025-03-26 10:05:31
936
原创 基于YOLOv8深度学习的PCB缺陷检测识别系统【python源码+GUI界面+数据集+训练代码】
摘要：本文提出了一种基于YOLOv8算法的印刷电路板（PCB）缺陷智能检测系统，旨在提升电子制造领域的质量控制效率。针对传统检测方法在复杂缺陷识别中的局限性，本研究采用改进型YOLOv8目标检测框架。系统首先构建包含短路、断路、焊点缺陷、划痕等典型缺陷的多源PCB图像数据库，通过数据增强策略优化样本多样性。系统架构集成图像预处理、动态推理和可视化分析模块，可实时处理产线采集的PCB图像并输出缺陷定位及分类结果。通过实验验证，基于YOLOv8的PCB缺陷检测系统展现出优异的准确性和实时性。
2025-03-14 16:38:53
918
原创 【YOLOv11改进- 主干网络】YOLOv11+Ghostnetv2: 华为轻量级目标检测模型Ghostnetv2特征提取网络助力YOLOv11有效涨点；
论文提出了一种适合硬件友好的注意机制（称为DFC注意力），然后为移动应用程序提供新的GhostNETV2架构。提出的DFC注意是基于完全连接的层构建的，该层不仅可以在常见硬件上快速执行，而且可以捕获远程像素之间的依赖性。我们进一步重新审视了以前的GhostNet中的表达性瓶颈，并提议增强廉价操作以及DFC注意的扩展功能，以便GhostNETV2块可以同时汇总本地和远程信息。
2025-02-24 10:37:43
165
原创 【YOLOv11改进- 主干网络】YOLOv11+Ghostnetv1: 华为轻量级目标检测模型Ghostnetv1助力YOLOv11有效涨点；
本文给大家带来的改进内容是在YOLOv11中更换主干网络为Ghostnetv1，助力YOLOv11有效涨点，论文通过应用一系列的线性转换，其廉价成本来生成许多特征图，这些图可以完全揭示固有特征的基础信息。提出的GhostNet模块可以作为插件组件来升级现有的卷积神经网络。
2025-02-24 09:58:21
72
原创 【YOLOv11改进- 主干网络】YOLOv11+UniRepLknet: 大卷积核卷积UniRepLknet助力YOLOv11有效涨点；
发paper，毕业设计皆可使用。本文给大家带来的改进内容是在YOLOv11中更换主干网络为UniRepLknet，助力YOLOv11有效涨点，论文通过大卷积内核卷积在计算机视觉领域实现了较好的效果。
2025-02-24 09:43:57
153
原创 【YOLOv11改进- 主干网络】YOLOv11+RepViT: 从ViT的角度重新审视Mobile的CNN助力YOLOv11有效涨点；
本文给大家带来的改进内容是在YOLOv11中更换主干网络为RepViT，助力YOLOv11有效涨点，论文通过集成轻量级 ViT 的高效架构设计，逐步增强了标准轻量级 CNN（即 MobileNetV3）的移动友好性。这最终产生了一个新的纯轻量级 CNN 系列的主干网络。
2025-02-23 20:06:02
258
原创 目标检测数据集-行人跌倒检测数据集（适用YOLO全系列）
YOLO格式的行人跌倒检测数据集，适用于YOLOv3-v11所有版本，可以用于本科毕设、发paper、做课设等等
2025-02-23 11:17:34
406
原创 目标检测数据集-风机叶片缺损检测数据集（适用YOLO全系列）
YOLO格式的风机叶片缺损检测数据集，适用于YOLOv3-v11所有版本，可以用于本科毕设、发paper、做课设等等
2025-02-23 10:40:16
335
原创 目标检测数据集-水果腐烂新鲜度检测数据集（适用YOLO全系列）
水果新鲜腐烂检测数据集共5801张图像，共10类别，10类别分别是['fresh apple', 'fresh banana', 'fresh mango', 'fresh orange', 'fresh strawberry', 'rotten apple', 'rotten banana', 'rotten mango', 'rotten orange', 'rotten strawberry']。
2025-02-22 15:24:03
971
原创 【YOLOv11改进- 主干网络】YOLOv11+CSWinTransformer: 交叉窗口注意力Transformer助力YOLOv11有效涨点；
本文给大家带来的改进内容是在YOLOv11中更换主干网络为CSWinTransformer，助力YOLOv11有效涨点，通过创新性地开发了十字形窗口自注意力机制。该机制通过将输入特征分割为等宽条纹，在水平与垂直方向并行计算自注意力，形成交叉窗口结构。
2025-02-16 20:55:20
281
原创 【YOLOv11改进- 注意力机制】YOLOv11+EMAttention 注意力机制（2023）: 可变性注意力机制助力YOLOv11有效涨点；
本文给大家带来的改进内容是在YOLOv11中添加EMA注意力机制，助力YOLOv11有效涨点，通过一种新颖高效的多尺度注意力（EMA）模块。为了保留每个通道上的信息并降低计算开销，作者将部分通道重塑到批次维度，并将通道维度分组为多个子特征，以使空间语义特征在每个特征组内得到良好分布。具体而言，除了对全局信息进行编码以重新校准每个并行分支中的通道权重之外，两个并行分支的输出特征还通过跨维度交互进一步聚合，以捕捉像素级的成对关系。
2025-02-12 11:47:37
326
原创 【YOLOv11改进- 注意力机制】YOLOv11+DAttention (DAT)注意力机制（2022）: 可变形注意力机制助力YOLOv11有效涨点；
本文给大家带来的改进内容是在YOLOv11中添加ACMix注意力机制，助力YOLOv11有效涨点，通过一种新颖的可变形自注意力模块，其中自注意力中键值对的位置是以依赖于数据的方式选择的。这种灵活的机制使自注意力模块能够聚焦于相关区域并捕捉更具信息性的特征。
2025-02-12 11:18:06
74
原创 【YOLOv11改进- 注意力机制】YOLOv11+ACMix注意力机制（2021）: 自注意力与卷积的聚合模块,助力YOLOv11有效涨点；
本文给大家带来的改进内容是在YOLOv11中添加ACMix注意力机制，助力YOLOv11有效涨点，通过融合多种注意力方式，自适应地对不同尺度和方向的特征进行加权，以提升模型在复杂视觉任务中的特征表达能力，有效捕捉不同层次的空间信息和语义信息。
2025-02-06 15:35:29
156
原创 【YOLOv11改进- 注意力机制】YOLOv11+PKINet中注意力机制（2024）: 最新遥感场景下注意力机制,助力YOLOv11有效涨点；
本文给大家带来的改进内容是在YOLOv11中添加PKINet中的CAA注意力机制，助力YOLOv11有效涨点，尤其是在遥感领域以及无人机目标检测领域内。作者提出了PKINet采用多尺度卷积核（无需空洞）来提取不同尺度的目标特征并捕捉局部上下文信息。此外，还并行引入了上下文锚点注意力（CAA）模块，以捕捉长距离的上下文信息。
2025-02-01 10:23:26
216
原创 【YOLOv11改进- 注意力机制】YOLOv11+SCSA注意力机制（2024）: 最新空间和通道协同注意力,助力YOLOv11有效涨点；包含二次创新
本文给大家带来的改进内容是在YOLOv11中添加SCSA注意力机制，助力有效涨点。作者提出了一种新的空间与通道协同注意模块（SCSA），该模块涉及在多个语义层面上对空间注意力和通道注意力之间协同关系的研究。SCSA由两部分组成：可共享多语义空间注意力（SMSA）和渐进通道自注意力（PCSA）。
2025-01-28 10:38:01
292
原创 【YOLOv11改进- 主干网络】YOLOv11+MobileNetV3（2019）: 更快，更精准；
本文给大家带来的改进内容是将YOLOv11的主干网络部分替换为轻量级主干网络MobileNetV3，MobileNetV3有两个大小分别是large和small，分别适用于不同的场景;使用NetAdapt算法获得卷积核和通道的最佳数量;其继承V1的深度可分离卷积与V2的具有线性瓶颈的残差结构;在block结构上做了改进：引入SE通道注意力结构;并且使用了一种新的激活函数hard-swish(x)代替Relu6；
2025-01-27 15:18:30
142
原创 【YOLOv11改进- 主干网络】YOLOv11+MobileNetV2（2018）: 相比于 MobileNetV1 而言准确率更高，模型更小；
本文给大家带来的改进内容是将YOLOv11的主干网络部分替换为轻量级主干网络MobileNetV2，我们可以发现在 MobileNetV1 中存在很多 DW 卷积权重为 0其实是无效的。很重要的一个原因是因为 ReLU 激活函数对在零值时的梯度是零，后续无论怎么迭代这个节点的值都不会恢复了，所以如果节点的值变为 0 就会“死掉”。而 ResNet 的残差结构可以很大程度上缓解这种特征退化问题。所以很自然的，MobileNetV2 尝试引入 Residuals 模块并针对 ReLU 激活函数进行研究，动机相当
2025-01-24 07:00:51
986
原创 【YOLOv11改进- 主干网络】YOLOv11+MobileNetV1（2017）: Google推出的专为移动端和嵌入式设备设计的轻量级卷积神经网络；
本文给大家带来的改进内容是将YOLOv11的主干网络部分替换为轻量级主干网络MobileNetV1，其实这个主干网络算是比较老的了，是Google在2017年提出来的，但是很有借鉴意义，主要是他的轻量化思维，不只是简单的堆叠卷积层，而是设计出一种轻量化卷积结构，下面就看一下如何将MobileNetV1替换到YOLOv11上。
2025-01-24 06:28:28
1222
原创 【YOLOv11改进- 主干网络】YOLOv11+TransNext特征提取网络（CVPR2024）: 基于YOLOv11的主干网络改进超轻量；
本文给大家带来的改进内容是TransNext主干网络，TransNeXt采用与PVTv2相同的四阶段分层Backbone网络和重叠块嵌入。聚合注意力在1-3阶段的池化特征大小设置与PVTv2相同。在阶段4中，作者采用了一种修改后的多头自注意力（MHSA）版本，它应用Query嵌入和长度缩放余弦注意力。这与PVTv2在第四阶段使用MHSA一致。对于1-4阶段的通道混合器，作者使用卷积GLU与GELU激活。
2025-01-23 17:47:40
1235
原创 【YOLOv11改进- Conv】YOLOv11+LDConv（2023）: 任意数量参数和形状的线性卷积形式；
本文给大家带来的改进内容是LDConv，LDConv可以使用具有任意数量参数和任意采样形状的卷积核提取特征,相比标准卷积和可变形卷积提供了更大的灵活性。LDConv可用于替换神经网络中的标准卷积操作以提高性能,并可与其他新型卷积模块(如FasterBlock和GSBottleneck)集成使用。 -在目标检测任务上的实验证明了LDConv相比标准卷积和可变形卷积的优势。同样，也可以替换YOLOv11中的卷积层。
2025-01-21 15:10:48
1144
原创 【YOLOv11改进- 主干网络】YOLOv11+WTConv（ECCV2024）: 基于YOLOv11的主干网络改进，大感受野的小波卷积
论文提出了WTConv，这是一个使用级联小波分解的层，并执行一组小卷积核的卷积，每个卷积专注于输入的不同频率带，并具有越来越大的感受野。这个过程能够在输入中对低频信息给予更多重视，同时仅增加少量可训练参数。实际上，对于一个 的感受野，可训练参数数量只随着 的增长而呈对数增长。而WTConv与常规方法的参数平方增长形成对比，能够获得有效的卷积神经网络（CNN），其有效感受野（ERF）大小前所未有。
2025-01-20 20:15:26
913
原创 AI技术应用前景
当然，人工智能的发展也带来了一些挑战，如数据隐私和安全、伦理道德、就业结构调整等问题5。但总体而言，人工智能技术的应用前景广阔，将为我们的生活和工作带来更多的便利和创新。我们需要积极应对挑战，推动人工智能的健康发展。
2024-11-03 21:55:56
388
原创 YOLOv8+PyQt5+GUI界面-脑肿瘤检测（yolov8模型，从图像、视频和摄像头三种路径识别检测，包含检测页面、训练结果、权重文件）
数据集如下：该数据集包括总共 5,249 张 MRI 图像，分为训练集和验证集。每张图像都用 YOLO 格式的边界框进行注释，并带有对应于四类脑肿瘤之一的标签。0 类：神经胶质瘤1 类：脑膜瘤2 类：无肿瘤3类：垂体1. 训练集：神经胶质瘤： 1,153 图片脑膜瘤： 1,449 图片无肿瘤： 711 图片垂体： 1,424 图片2. 验证集：神经胶质瘤： 136 图片脑膜瘤： 140 图片无肿瘤：100 张图片垂体： 136 图片。
2024-11-03 21:37:31
660
原创 yolov5/v7/v8/v9/v10/v11环境详细配置教程（Windows+conda+pycharm）
首先，打开Anaconda Prompt命令窗口，创建一个新的虚拟环境，后面的包都在这个环境中安装。创建命令是：我的习惯是使用3.8版本的python，你也可以换成更高版本；gpu版本的安装命令：想要安装其他版本可以去pytorch官网自己找。安装完成后可以通过conda list查看环境中是否安装完成。安装完成后，即可激活虚拟环境，输入以下命令即可；到这里，yolo系列算法的环境配置算是完成了！可以复制下面的代码来验证一下是否可以运行。输入命令后，运行结果如下：输入y即可；安装ultralytics包；
2024-11-03 21:36:09
375
原创 【YOLOv8改进- 主干网络】YOLOv8+BiFormer: 基于YOLOv8的backbone改进，具有双水平路由注意的视觉transformer；
BiFormer（Bilinear Attention Transformer）主干网络是一种创新的神经网络架构，主要用于计算机视觉任务，如目标检测、图像分类等。它融合了 Transformer 架构的自注意力机制优势和一些针对视觉任务的高效设计，以提高模型在视觉数据处理上的性能。Biformer提出了一种通过双层路由的新型动态稀疏注意力，以实现具有内容感知的计算的更灵活的分配。
2024-11-03 21:12:11
202
原创 【YOLOv11改进- 注意力机制】YOLOv11+CBAM: 基于YOLOv11的空间以及通道双重卷积注意力机制，老牌注意力机制，效果稳定可靠；
CBAM（Convolutional Block Attention Module）注意力机制是一种用于深度学习中的有效注意力模块。它主要包含通道注意力模块和空间注意力模块两个部分。在通道注意力模块中，通过对输入特征图的通道维度进行操作，利用最大池化和平均池化来聚合特征信息，再经过多层感知机处理，得到通道注意力权重，用于突出重要的通道特征。而空间注意力模块则是在通道注意力的基础上，对空间维度进行处理，通过对特征图在空间维度上进行池化操作，生成空间注意力权重，以此来强调空间位置上更关键的区域。
2024-11-03 18:29:14
1310
原创 【YOLOv11改进- 注意力机制】YOLOv11+CBAM: 基于YOLOv11的空间以及通道双重卷积注意力机制，老牌注意力机制，效果稳定可靠；
CBAM（Convolutional Block Attention Module）注意力机制是一种用于深度学习中的有效注意力模块。它主要包含通道注意力模块和空间注意力模块两个部分。在通道注意力模块中，通过对输入特征图的通道维度进行操作，利用最大池化和平均池化来聚合特征信息，再经过多层感知机处理，得到通道注意力权重，用于突出重要的通道特征。而空间注意力模块则是在通道注意力的基础上，对空间维度进行处理，通过对特征图在空间维度上进行池化操作，生成空间注意力权重，以此来强调空间位置上更关键的区域。
2024-11-02 17:15:41
717
原创 【YOLOv11改进- 注意力机制】YOLOv11+simAM: 基于YOLOv11的轻量级卷积注意力机制，线性复杂度，高效涨点；
SimAM:ASimple,Parameter-Free Attention Module for Convolutional Neural Networks 注意力机制的详细信息SimAM（Similarity - Aware Activation Module）注意力机制是一种新颖的注意力机制。它受到神经科学中空域抑制现象的启发，通过度量神经元之间的线性可分性来确定其重要性。
2024-11-02 16:55:56
1011
原创 【YOLO8改进- 注意力机制】YOLOv8+simAM: 基于YOLOv8的深度卷积注意力机制，提取深层语义信息，高效涨点；
SimAM:ASimple,Parameter-Free Attention Module for Convolutional Neural Networks 注意力机制的详细信息SimAM（Similarity - Aware Activation Module）注意力机制是一种新颖的注意力机制。它受到神经科学中空域抑制现象的启发，通过度量神经元之间的线性可分性来确定其重要性。
2024-11-02 11:35:28
386
2
原创 【YOLOv11改进- 注意力机制】YOLOv11+SA: 基于YOLOv11的深度卷积注意力机制，提取深层语义信息，高效涨点；
注意力机制的详细信息“SA-Net: Shuffle Attention for Deep Convolutional Neural Networks” 提出了一种创新的注意力机制。它旨在高效地结合空间和通道注意力，以提升深度卷积神经网络的性能。该机制首先对输入特征进行分组，然后针对每个分组的子特征分别构建通道注意力分支和空间注意力分支。通道注意力分支通过平均池化和卷积等操作学习通道重要性权重，空间注意力分支利用组归一化和卷积等获取空间位置重要性信息。
2024-11-01 22:08:02
1994
原创 YOLOv11(ultralytics新作品-YOLOv8后续) | 一文带你深入理解yolov11全部内容（附网络结构图）
YOLOv11 是 Ultralytics 推出的最新的集目标检测、语义分割、图像分类等任务于一体的神经网络，其基本原理涉及到主干网络、颈部网络（neck）、检测头等部分，以下是详细介绍：变化1：C2f模块更换成了C3k2模块；变化2：在第九层SPPF之后，YOLOv11加上了一层C2PSA模块；变化三：在检测部分，YOLOv11也替换了C2F模块为C3K2模块；并且检测头内卷积更换成了深度可分离卷积下面详细介绍这三个变化：首先，第一个变化的C3k2模块其实并没有改变网络结构，其网络结构与C2F还是一样的，
2024-11-01 12:47:20
9389
1
原创 【YOLOv8改进- 注意力机制】YOLOv8+SA: 基于YOLOv8的深度卷积注意力机制，提取深层语义信息，高效涨点；
注意力机制的详细信息“SA-Net: Shuffle Attention for Deep Convolutional Neural Networks” 提出了一种创新的注意力机制。它旨在高效地结合空间和通道注意力，以提升深度卷积神经网络的性能。该机制首先对输入特征进行分组，然后针对每个分组的子特征分别构建通道注意力分支和空间注意力分支。通道注意力分支通过平均池化和卷积等操作学习通道重要性权重，空间注意力分支利用组归一化和卷积等获取空间位置重要性信息。
2024-10-31 14:25:05
693
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