codingtea

摘要： 本研究设计了一套基于YOLO算法的无人机视觉小目标检测系统，针对无人机航拍图像中小目标检测的难点，对比了YOLOv5、YOLOv8、YOLOv11和YOLOv12四种模型的性能。系统提供用户管理、多模型切换、实时检测等功能，测试结果显示YOLO12n模型mAP最高达40.6%，YOLO11n推理速度最快（56.1ms）。该系统支持图片、视频等多种输入方式，为无人机小目标检测提供了实用解决方案。 阅读全文

摘要： 本文实现了一套基于YOLO系列的遥感地面物体检测系统，集成YOLOv5/v8/v11/v12四种模型，支持多模型横向对比与快速切换。系统采用PyQt5构建桌面应用，具备图片/视频/实时摄像头检测功能，提供交互式参数调节和结果分析。通过SQLite实现用户管理，配套训练脚本支持批量自动化训练。实验表明，YOLO12n在精度(mAP40.6%)和效率(6.5B FLOPs)上表现最优，YOLO11n推理速度最快(56.1ms)。系统在11类遥感目标检测任务中取得[email protected]达84.9%的优异性能，为遥感智能解译提供了一体化解决方案。 阅读全文

摘要： 本文实现了一套基于YOLO的田间杂草智能检测系统，集成YOLOv5/v8/v11/v12四种模型进行对比分析。系统采用PyQt5开发桌面应用，支持图片/视频/摄像头多模态检测，具备置信度调节、实时统计等交互功能。基于18074张图片的数据集测试显示，YOLO12n模型表现最优（mAP40.6%），YOLO11n推理速度最快（56.1ms）。系统实现了从数据准备、模型训练到推理部署的全流程，为农业智能化管理提供了一体化解决方案，在测试集上达到93.6%的检测准确率。 阅读全文

摘要： 本文实现了一套基于YOLO系列模型的船舶检测系统，集成YOLOv5/v8/v11/v12等多个版本，支持图片、视频、摄像头实时检测等多种模式。系统采用PyQt5构建桌面应用，具备用户管理、多模型切换、参数调节等功能。测试显示YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最快（56.1ms）。训练数据集包含8700多张图片，模型在测试集上达到96.5%的[email protected]准确率。该系统为海事监管、港口调度等场景提供了一体化解决方案，兼顾精度与效率。 阅读全文

摘要： 摘要：视频目标检测常面临信息过载问题，YOLO模型会标记画面中所有对象，导致关键信息被淹没。Ultralytics的TrackZone工具可完美解决该痛点，它通过框选感兴趣区域(ROI)，仅检测特定范围内的目标。演示显示：TrackZone能有效过滤干扰，提升检测速度，特别适合违停监控、出入口统计等场景。核心代码仅需20行，配合作者开发的交互式坐标框选工具，可实现零代码ROI设定。该方案大幅降低计算量，自带目标跟踪ID，是视频分析场景的轻量化解决方案。 阅读全文

摘要： 本文介绍了一套基于YOLO系列算法的苹果病害智能检测系统，实现了对叶枯病、锈病等多种病害的自动化识别。系统包含交互式GUI界面、模型训练框架和命令行工具，支持图片、视频及实时检测。技术栈采用Python3.10+PyQt5+SQLite，集成YOLOv5/v8/v11/v12等模型。实验表明，YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。在12000张图片的数据集上，系统达到99.5%的[email protected]准确率，为智慧农业提供了高效解决方案。 阅读全文

摘要： Meta开源SAM3图像分割模型，支持文本提示精准分割目标。本文提供Windows本地部署详细教程，包含环境配置、依赖安装、权重下载等完整步骤，并解决triton缺失和权重访问等常见问题。通过修改源码加载本地权重文件sam3.pt，即可实现文本提示分割功能。教程附带测试代码示例，支持自定义文本提示词进行目标分割。作者还提供了后续进阶玩法预告，包括视频追踪等应用场景。 阅读全文

摘要： 本文介绍了一个基于YOLO系列算法的鸟类识别系统，支持35种鸟类的实时检测。系统采用Python3.10开发，前端界面使用PyQt5，数据库为SQLite。通过对比YOLOv5/v8/v11/v12模型性能，发现YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统功能包括多模态检测(图片/视频/摄像头)、模型切换、用户管理等，在4000张图片的数据集上训练后，[email protected]达到99.5%。该技术为生态监测和科普教育提供了高效工具。 阅读全文

摘要： 本文介绍了一套基于YOLO深度学习算法的水稻虫害智能检测系统。该系统支持多版本模型(YOLOv5/8/11/12)，可实现图片、视频及实时摄像头的虫害检测，检测精度高达96%以上。系统采用PyQt5界面，具备用户管理、多模型切换、批量处理等功能，并提供模型训练模块支持自定义训练。性能测试显示，YOLO12n模型mAP达40.6%，YOLO11n推理速度最快(56.1ms)。该系统为水稻虫害识别提供了高效精准的AI解决方案，适用于田间实时监测与批量数据处理场景。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的西红柿成熟度智能检测系统，该系统支持YOLOv5/v8/v11/v12等多种模型，可实时识别绿熟期、转色期和成熟期的西红柿。系统采用PyQt5开发界面，支持图片、视频及摄像头输入，具备多模型切换、批量处理和模型训练功能。技术分析显示，YOLO12n模型在测试中达到最高mAP40.6%，整体识别精度达85.8%。该系统为智慧农业提供了高效的作物成熟度检测解决方案，源码可通过指定链接获取。 阅读全文