codingtea

摘要： 本文介绍了一款基于YOLO算法的杂草检测系统，该系统通过深度学习技术实现农业杂草精准识别。系统功能包括多模态检测（图片/视频/实时画面）、模型切换（支持YOLOv5/v8/v11/v12）、结果保存与历史追溯等。技术分析显示，YOLO12n模型表现最优（mAP40.6%），YOLO11n速度最快（56.1ms）。系统采用Python+Django开发，包含完整的训练代码和用户管理模块，为农业智能化提供了一站式解决方案。项目源码可通过视频链接获取。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的草莓健康度检测系统。系统支持多版本YOLO模型加载、多种检测模式和健康度分析功能，包含用户管理、检测历史记录等模块。技术栈采用Python+Django+SQLite，通过对比测试显示YOLO12n模型在精度(mAP40.6%)和效率(6.5B FLOPs)方面表现最优。系统实现了93.1%的[email protected]准确率，适用于现代农业智能化检测需求。项目提供完整的训练代码和部署方案，为草莓健康检测提供了一站式解决方案。 阅读全文

摘要： 本文介绍了一款基于YOLO算法的红外行人识别系统，该系统具备多模态检测、模型切换、结果保存等功能，适用于安防监控等场景。系统采用Python3.10开发，前端使用bootstrap，后端基于django，数据库为SQLite。通过对比YOLOv5/v8/v11/v12模型性能，YOLO12n在精度上表现最优（mAP40.6%），YOLO11n在速度上最具优势（CPU推理56.1ms）。系统支持用户登录、检测历史管理等功能，并提供了模型训练核心代码。项目源码可通过指定链接获取。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的肾结石检测系统。该系统支持多模态检测（图片/视频/实时摄像头）、多模型切换（YOLOv5/v8/v11/v12）、检测结果保存与历史浏览等功能，并配有管理员后台。技术栈采用Python3.10+Django+Bootstrap+SQLite。通过模型对比，YOLO12n精度最高（mAP40.6%），YOLO11n速度最快（56.1ms）。训练结果显示[email protected]达90%，F1值0.86。该系统为医学影像诊断提供了智能化解决方案，可有效提升肾结石检测效率。 阅读全文

摘要： 本文介绍了一款基于YOLO算法的电缆损害检测系统，该系统针对电力行业智能化需求，解决了传统人工检测效率低、风险高的问题。系统支持多模态检测（图片/视频/实时流）、多模型切换（YOLOv5/v8/v11/v12）及结果保存导出，并配备管理员功能。技术分析显示，YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。训练结果显示F1值达0.88，[email protected]达90.7%。系统采用Python+Django技术栈，提供完整的解决方案和源码获取途径。 阅读全文

摘要： 本文介绍了一款基于YOLO算法的PCB板元器件检测系统。该系统支持多模态检测（图片/视频/实时画面）、多模型切换（YOLOv5/v8/v11/v12）、结果保存与历史追溯等功能，并配备管理员后台。技术栈采用Python+Django+Bootstrap，模型对比显示YOLO12n精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。系统通过795张图片训练22类元器件，最终达到69.4%的[email protected]指标。源码获取方式详见文末B站链接。 阅读全文

摘要： 本文介绍了一款基于YOLO算法的水稻病害检测系统。该系统支持图片、视频及实时摄像头检测，具备多模型切换、检测结果保存与历史追溯等功能，采用Django+Bootstrap框架开发。通过对比YOLOv5/v8/v11/v12模型性能，推荐YOLO12n(精度最高)和YOLO11n(速度最快)。训练结果显示[email protected]达96.6%，F1值0.94，能有效识别6类水稻病害。该系统解决了传统人工巡检效率低的问题，为农业智能化提供了一站式解决方案。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的多物种动物识别系统。该系统支持图片、视频及摄像头实时检测，具备多模型切换、结果保存、历史记录查询等功能，并采用YOLOv5/YOLOv8/YOLOv11/YOLOv12等多种模型进行性能对比。实验表明，YOLO12n模型在精度(mAP40.6%)和效率上表现最优，YOLO11n则在推理速度(56.1ms)上最具优势。系统采用Python3.10+Django+Bootstrap技术栈，提供完整的训练代码和演示视频，适用于野生动物监测、生态保护等场景。 阅读全文

摘要： 本视频演示了一款基于YOLO算法的跌倒检测系统，该系统针对养老看护、园区安防等场景设计，解决了传统人工看护的局限性。系统支持多模态检测（图片/视频/实时画面）、模型切换（YOLOv5/v8/v11/v12）、检测结果保存与历史追溯等功能，并配备语音预警。技术栈采用Python+Django+Bootstrap，模型对比显示YOLO12n精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。系统提供完整的训练代码和数据集支持，可实现开箱即用的跌倒检测解决方案。 阅读全文

摘要： 本文介绍了一套基于YOLO系列算法的麦穗计数系统，该系统支持图片、视频和实时摄像头的多模态检测。系统采用PyQt5开发前端界面，内置YOLOv5/v8/v11/v12等多种模型，用户可灵活切换并调节置信度。技术分析显示，YOLO12n模型表现最优（mAP40.6%），YOLO11n速度最快（56.1ms）。系统支持检测结果保存、语音播报和数据导出功能，为智慧农业提供高效精准的麦穗计数解决方案。 阅读全文