基于yolov7实现空中飞鸟识别检测源码+训练好模型(1万多个飞鸟目标训练)+配置文件+评估指标曲线.zip下载

智慧交通基于YOLOv8的行人车辆检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip

智慧交通基于YOLOv8的行人车辆检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.91 类别：person、truck、car、bus、traffic light 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码，里面涵盖基于yolov8分类、目标检测额、姿态估计、图像分割四部分代码，我们使用的是detect部分，也就是目标检测代码 2、搭建环境 安装anaconda 和 pycharm windows系统、mac系统、Linux系统都适配 在anaconda中新建一个新的envs虚拟空间(可以参考博客来)，命令窗口执行：conda create -n YOLOv8 python==3.8 创建完YOLOv8-GUI虚拟空间后，命令窗口执行：source activate YOLOv8 激活虚拟空间 然后就在YOLOv8虚拟空间内安装requirements.txt中的所有安装包，命令窗口执行：pip install -r requirements.txt 使用清华源安装更快 3、训练模型过程 进入到\ultralytics-main\ultralytics\yolo\v8\detect\文件夹下，datasets即为我们需要准备好的数据集，训练其他模型同理。 data文件夹下的bicycle.yaml文件为数据集配置文件，该文件为本人训练自行车检测模型时创建，训练其他模型，可自行创建。博文有介绍https://blog.csdn.net/DeepLearning_?spm=1011.2415.3001.5343 train.py中238行，修改为data = cfg.data or './bicycle.yaml' # or yolo.ClassificationDataset("mnist") 237行修改自己使用的预训练模型 若自己有显卡，修改239行，如我有四张显卡，即改成args = dict(model=model, data=data, device=”0,1,2,3“) 以上配置完成后运行train.py开始训练模型，训练完毕后会在runs/detect/文件夹下生成train*文件夹，里面包含模型和评估指标等 4、推理测试 训练好模型，打开predict.py，修改87行，model = cfg.model or 'yolov8n.pt'，把yolov8n.pt换成我们刚才训练完生成的模型路径(在\ultralytics-main\ultralytics\yolo\v8\detect\runs\detect文件夹下)，待测试的图片或者视频存放于ultralytics\ultralytics\assets文件夹， 运行predict.py即可，检测结果会在runs/detect/train文件夹下生成。

电力巡检AI实战：基于YOLOv8的输电线异物检测数据集与模型训练全流程

目标检测是计算机视觉的核心任务之一，其原理是通过算法自动识别图像或视频中的特定物体并定位其位置。这项技术通过深度神经网络学习目标的特征表示，实现从像素到语义理解的跨越，具有极高的技术价值，是实现自动化、智能化视觉分析的基础。在工业领域，目标检测广泛应用于质量检查、安全监控与智能巡检等场景。特别是在电力行业，传统人工巡检存在效率低、风险高等痛点，基于无人机与固定摄像头的智能视觉巡检成为关键解决方案。其成功落地的首要前提是拥有高质量、高匹配度的专用数据集。本文聚焦的【电力场景输电线异物检测数据集】，精准覆盖了真

YOLO11飞鸟检测模型：轻量小目标优化与边缘部署

小目标检测是计算机视觉中的基础挑战，尤其在尺度变化大、背景复杂、运动模糊强的场景下，传统YOLO模型性能显著下降。本文围绕飞鸟这一典型小目标（平均像素面积仅0.8%～3.5%），解析基于Ultralytics YOLOv11深度定制的轻量级检测器设计原理：通过禁用P6头、强化P2/P3特征融合、嵌入可学习空洞卷积与双向特征校准模块（BFCM），并采用WIoU Loss提升小目标定位精度。技术价值体现在mAP@0.5达68.3%、Jetson Orin NX上47 FPS实时推理，适配无人机巡检、机场鸟击预警

基于yolov5+opencv课堂学习状态识别检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作说明.zip

基于yolov5+opencv学生课堂学习状态识别检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作说明.zip基于yolov5+opencv学生课堂学习状态识别检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作说明.zip基于yolov5+opencv学生课堂学习状态识别检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作说明.zip 基于yolov5+opencv学生课堂学习状态识别检测源码(带GUI界面)+训练好的模型+数据集+评估指标曲线+操作说明.zip 【备注】 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可直接用于毕设、课设、作业等。 欢迎下载，沟通交流，互相学习，共同进步！

基于YOLOv8的细胞检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip

基于YOLOv8的细胞检测计数系统源码(部署教程+训练好的模型+各项评估指标曲线).zip 平均准确率：0.98 类别：RBC、WBC、platelets 【资源介绍】 1、ultralytics-main ultralytics-main为YOLOv8源代码，里面涵盖基于yolov8分类、目标检测额、姿态估计、图像分割四部分代码，我们使用的是detect部分，也就是目标检测代码 2、搭建环境 安装anaconda 和 pycharm windows系统、mac系统、Linux系统都适配 在anaconda中新建一个新的envs虚拟空间(可以参考博客来)，命令窗口执行：conda create -n YOLOv8 python==3.8 创建完YOLOv8-GUI虚拟空间后，命令窗口执行：source activate YOLOv8 激活虚拟空间 然后就在YOLOv8虚拟空间内安装requirements.txt中的所有安装包，命令窗口执行：pip install -r requirements.txt 使用清华源安装更快 3、训练模型过程 进入到\ultralytics-main\ultralytics\yolo\v8\detect\文件夹下，datasets即为我们需要准备好的数据集，训练其他模型同理。 data文件夹下的bicycle.yaml文件为数据集配置文件，该文件为本人训练自行车检测模型时创建，训练其他模型，可自行创建。博文有介绍https://blog.csdn.net/DeepLearning_?spm=1011.2415.3001.5343 train.py中238行，修改为data = cfg.data or './bicycle.yaml' # or yolo.ClassificationDataset("mnist") 237行修改自己使用的预训练模型 若自己有显卡，修改239行，如我有四张显卡，即改成args = dict(model=model, data=data, device=”0,1,2,3“) 以上配置完成后运行train.py开始训练模型，训练完毕后会在runs/detect/文件夹下生成train*文件夹，里面包含模型和评估指标等 4、推理测试 训练好模型，打开predict.py，修改87行，model = cfg.model or 'yolov8n.pt'，把yolov8n.pt换成我们刚才训练完生成的模型路径(在\ultralytics-main\ultralytics\yolo\v8\detect\runs\detect文件夹下)，待测试的图片或者视频存放于ultralytics\ultralytics\assets文件夹， 运行predict.py即可，检测结果会在runs/detect/train文件夹下生成。