codingtea

摘要： 《基于YOLO算法的仪表指针检测系统》是一套面向工业自动化的智能检测方案。系统支持图片、视频和实时摄像头检测，具备用户登录、模型切换、结果保存等功能，采用YOLOv5/v8/v11/v12多模型架构。经测试，YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。系统包含8700+张训练数据，实现82%的检测准确率，可自动计算仪表读数并输出结果，有效解决传统人工巡检效率低、误差大的问题。完整源码已开源，适用于智能制造与设备运维场景。 阅读全文

摘要： 本文介绍了一个基于深度学习的智能水果检测系统，该系统集成了YOLOv5/YOLOv8/YOLOv11/YOLOv12多版本模型，具备图片/视频/实时摄像头检测、置信度调节、检测结果保存及历史追溯等功能。系统采用Django+Bootstrap框架开发，支持用户与管理员双端权限管理。测试结果表明，YOLO12n模型在mAP@0.5指标上达到96.5%的准确率，YOLO11n在CPU端实现56.1ms的快速推理。项目提供完整的模型训练脚本和开源代码，适用于果蔬分拣等智能化场景需求。 阅读全文

摘要： 摘要：本文介绍了一套基于YOLO算法的电缆损害智能检测系统，主要用于识别电缆断裂和雷击损伤。系统包含用户登录、多模态检测、结果保存、模型切换等功能模块，采用YOLOv5/v8/v11/v12等多种模型进行训练对比。技术分析显示YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。系统支持图片、视频及实时检测，准确率达90.7%，为电力巡检提供了智能化解决方案。 阅读全文

摘要： 本文介绍了一款基于YOLO算法的PCB板缺陷检测系统，该系统针对电子制造业需求开发，支持多版本YOLO模型加载、多种检测模式及数据管理功能。系统采用Python+Django技术栈，内置YOLOv5/v8/v11/v12模型对比分析，其中YOLO12n模型精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。项目提供完整的训练脚本和3700+样本数据集，最终模型mAP@0.5达到99.1%，F1值1.0，实现了高效的PCB缺陷检测解决方案。 阅读全文

摘要： 《基于YOLO算法的野生动物检测系统》是一套针对野外环境的实时检测解决方案。系统采用YOLO系列算法，可精准识别郊狼、鹿等5种动物，支持图片、视频及摄像头实时检测。技术栈包含Python与PyQt5，具备用户管理、多模型切换、结果保存等功能。经测试，YOLO12n模型表现最优（mAP40.6%），YOLO11n速度最快（56.1ms）。系统提供完整的训练代码与数据集配置，实现了96.4%的高准确率。源码获取方式详见视频链接。 阅读全文

摘要： 本项目开发了一个基于YOLO算法的学生上课行为检测系统，采用Bootstrap前端和Django后端构建Web应用。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）、检测结果保存及历史记录管理等功能。通过对比测试，YOLO12n模型表现最优（mAP40.6%），YOLO11n速度最快（56.1ms）。系统包含完整的训练脚本，可自动处理数据集路径并批量训练模型。该项目为教育场景提供了高效、可定制的行为检测解决方案，相关源码已公开分享。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的扑克牌号码检测系统，该系统集成了用户登录、多模态检测、模型切换等功能模块。系统支持YOLOv5/YOLOv8/YOLOv11/YOLOv12等多种模型，通过对比测试显示YOLO12n在精度上最优（mAP40.6%），YOLO11n在速度上表现最佳（56.1ms）。训练数据包含52类扑克牌共22000+张图片，最终模型在mAP@0.5指标上达到99.5%的高准确率。系统采用Python3.10开发，前端使用PyQt5，数据库为SQLite，提供完整的工业级检测解决方案。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的玉米虫害检测系统。该系统支持图片、视频及实时摄像头检测，可识别黏虫、亚洲玉米螟和棉铃虫三类主要虫害。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。通过对比YOLOv5/v8/v11/v12等模型，YOLO12n在mAP指标上表现最优（40.6%），而YOLO11n在速度上最快（56.1ms）。该系统已在3500+张图片的数据集上完成训练，mAP@0.5达到83.9%，F1值为0.80，具备较高的检测精度。 阅读全文

摘要： 本文介绍了基于YOLO算法的花朵识别系统，该系统可识别103种常见花卉。系统采用三栏布局界面，支持图片、视频及实时摄像头检测，并提供模型切换、结果保存等完整功能。技术栈包括Python3.10、PyQt5、SQLite和多种YOLO模型。通过对比测试，YOLO12n在精度上表现最佳(mAP40.6%)，YOLO11n在速度上最优(56.1ms)。系统配套5400+张训练图像，综合mAP@0.5达到92.3%，F1值0.89，展现了优异的识别性能。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的狗品种检测系统。该系统利用深度学习技术，可识别120种犬类品种，支持图片、视频及实时摄像头检测，具有结果标注、语音播报和数据导出功能。技术栈采用Python3.10+PyQt5+SQLite，对比了YOLOv5/v8/v11/v12四种模型，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统界面包含登录注册、多模态检测、模型切换等功能模块，训练数据达20000+张图片，最终mAP@0.5达到84.6%，综合F1值0.79。 阅读全文