codingtea

摘要： 本文介绍了一套基于YOLO算法的茶叶病害智能检测系统。该系统支持8类茶叶病害与虫害识别，集成YOLOv5/v8/v11/v12多版本模型，提供图片、视频及实时摄像头的全场景检测功能。系统采用PyQt5开发，具有用户登录、多模态检测、结果保存与模型切换等实用功能。技术分析显示，YOLO12n模型表现最优（mAP40.6%），YOLO11n速度最快（56.1ms）。系统通过3400+张图片训练集实现97.8%的[email protected]准确率，F1值达0.96，可有效提升茶叶病害检测效率。 阅读全文

摘要： 本文介绍了一款基于YOLO算法的密集人群行人检测系统。系统支持图片/视频/摄像头实时检测，具有多模型切换、检测结果保存、识别历史追溯等功能。技术栈采用Python3.10+Django+Bootstrap，集成YOLOv5/v8/v11/v12模型。通过模型对比测试，YOLO12n精度最高(mAP40.6%)，YOLO11n速度最快(56.1ms)。系统提供完整训练代码，支持数据集路径自动修正和批量模型训练。该系统适用于公共安防、交通管控等场景，实现了密集人群检测的智能化解决方案。 阅读全文

摘要： 本文介绍了一套基于YOLO算法的智能灭火器检测系统。该系统支持图片、视频和实时摄像头检测，适配YOLOv5/v8/v11/v12四种模型，具备置信度调节、语音提醒和数据导出功能。技术栈采用Python3.10+PyQt5+SQLite，通过模型对比显示YOLO12n精度最高（mAP40.6%），YOLO11n速度最快（56.1ms）。系统包含用户管理、多模态检测和结果保存等模块，适用于消防巡检场景，源码可通过指定链接获取。 阅读全文

摘要： 本文介绍了基于YOLO算法的输电电力设备检测系统，该系统实现了多模态检测、模型切换、结果保存等功能，支持图片、视频及实时摄像头检测。系统采用Python+Django技术栈，集成YOLOv5/YOLOv8/YOLOv11/YOLOv12多版本模型，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。通过10000+样本训练，系统在F1值(0.86)和[email protected](87.7%)指标上表现优异，为电力设备检测提供了一站式解决方案。 阅读全文

摘要： 本文介绍了一套基于YOLO系列算法的管道缺陷检测系统，该系统支持图片、视频、批量文件和实时摄像头检测，具有动态置信度调节、语音报警、数据可视化和结果导出等功能。系统采用PyQt5前端界面和SQLite数据库，支持多模型切换（YOLOv5至v12），其中YOLO12n精度最高（mAP40.6%），YOLO11n速度最快（56.1ms）。训练结果显示缺陷识别率达96.7%，F1值为0.93。系统提供从模型训练到部署的全流程解决方案，显著提升了工业管道检测的智能化水平。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的水面垃圾检测系统，该系统通过多版本YOLO模型实现了高效的水面垃圾识别。系统功能包括多模态检测、结果保存、模型切换等，支持图片/视频/摄像头实时检测。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)。训练数据集包含7类2500+张图片，最终模型[email protected]达到95.7%。系统提供了从检测到管理的完整解决方案，有效提升了水面垃圾清理效率。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的禽蛋缺陷检测系统。该系统通过深度学习技术实现鸡蛋破损、裂纹等缺陷的自动化检测，支持图片、视频及实时摄像头输入的多模态检测。系统采用PyQt5开发界面，包含用户登录、模型切换、结果保存等功能模块，并对比分析了YOLOv5/YOLOv8/YOLOv11/YOLOv12等模型的性能差异。实验结果显示，YOLO12n模型在测试集上达到94.4%的[email protected]准确率。该系统可有效提升禽蛋分拣效率，适用于养殖、加工等场景的质量检测需求。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的铁轨缺陷检测系统，该系统实现了多模态检测、多模型切换、结果保存等功能。系统采用Python3.10开发，使用Django框架和SQLite数据库，集成了YOLOv5/YOLOv8/YOLOv11/YOLOv12等模型。通过模型对比分析显示，YOLO12n在精度上表现最优(mAP40.6%)，YOLO11n在速度上最快(56.1ms)。系统支持图片/视频/实时流检测，并提供管理员管理、历史记录查询等完整功能，为轨道交通运维提供智能化解决方案。 阅读全文

摘要： 摘要：本文介绍了一套基于YOLO算法的风力涡轮机智能检测系统。系统包含用户登录、多模态检测、模型切换等功能模块，支持图片、视频及实时流检测，检测结果可保存并导出。技术栈采用Python3.10+PyQt5+SQLite，对比分析了YOLOv5/YOLOv8/YOLOv11/YOLOv12模型的性能，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统通过6500+张图片训练，最终达到[email protected]值99.1%的检测效果。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的水果品质检测系统。该系统具备多模态检测功能，支持图片、视频和实时摄像头画面分析，并能保存检测结果。系统内置多个YOLO版本模型（v5/v8/v11/v12），用户可灵活切换对比效果。技术栈采用Python+Django+Bootstrap，模型训练代码支持批量训练和多模型对比。测试结果显示YOLOv12精度最高（mAP40.6%），YOLOv11速度最快（56.1ms）。系统还提供管理员后台，支持用户管理和历史记录查询。该项目为水果品质检测提供了高效、智能的解决方案。 阅读全文