codingtea

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

摘要： 本文介绍了基于YOLO系列算法的跌倒检测系统。该系统支持图片、视频及实时摄像头流的跌倒行为识别，具有用户登录、模型切换、结果保存等功能。通过对比YOLOv5/v8/v11/v12模型，YOLO12n在精度(mAP40.6%)和效率上表现最优。系统采用Python+PyQt5开发，训练数据显示mAP@0.5达89.7%，F1值0.85，能有效应用于养老护理、安防监控等场景。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算法的智能停车位检测系统。系统支持用户登录、注册及个人信息管理，提供图片、视频和实时摄像头三种检测模式，可保存检测结果并支持多模型切换。通过对比YOLOv5/v8/v11/v12模型性能，YOLO12n在mAP指标上表现最优(40.6%)，YOLO11n在推理速度上最快(56.1ms)。系统使用Python3.10开发，前端采用PyQt5，数据库为SQLite。实验数据显示，该系统在测试集上达到99.5%的mAP@0.5准确率，F1值达0.99，能有效识别车位占用状态。 阅读全文

摘要： 本项目开发了一套基于YOLO算法的输电电力设备智能检测系统，支持图片、视频及实时摄像头的多模态检测。系统采用PyQt5构建交互界面，集成YOLOv5/v8/v11/v12等多种模型，实现了用户管理、模型切换、结果可视化及数据导出等功能。测试表明，YOLO12n模型在11000张图片的数据集上达到88.7%的mAP@0.5准确率。系统配套完整的模型训练脚本，支持从数据准备到部署应用的全流程，为电力巡检提供了高效的自动化解决方案。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的钢材表面缺陷检测系统。系统支持图片、视频、摄像头实时检测等多种模态，能识别6类典型缺陷（龟裂、夹杂物等），并提供可视化标注、数据统计与导出功能。技术栈采用Python3.10+PyQt5+SQLite，对比测试了YOLOv5/8/11/12模型，其中YOLO12n精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。系统具备用户管理、多模型切换等功能，训练代码支持自动路径修正和批量训练，适合工业质检场景部署应用。 阅读全文

摘要： 本文介绍了基于YOLO算法的白细胞检测系统，该系统可自动识别五种白细胞类型。系统功能包括用户登录、注册、多模态检测（图片/视频/实时摄像头）、结果保存及多模型切换。技术栈采用Python3.10、PyQt5、SQLite，支持YOLOv5/v8/v11/v12模型。通过对比测试，YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统在2400张图片的数据集上训练后，F1值达0.99，mAP@0.5达98.7%，展现了优异的检测性能。 阅读全文

摘要： 摘要：本文介绍了一个基于YOLO算法的鱼苗检测系统，主要用于观赏鱼养殖和水产育苗场景中的鱼苗状态监测。系统包含用户登录、注册、多模态检测（图片/视频/摄像头）、结果保存和模型切换等功能模块，支持语音播报和数据导出。技术栈采用Python 3.10、PyQt5、SQLite和多种YOLO模型（v5/v8/v11/v12）。通过模型对比测试，YOLO12n在精度上表现最佳（mAP 40.6%），YOLO11n在速度上最优（56.1ms）。系统实现了97.2%的高检测准确率，有效解决了传统人工巡检效率低、漏检率高等问题。 阅读全文

摘要： 本文介绍了基于YOLO系列算法的无人机检测系统开发。系统支持图片、视频及实时摄像头检测，具备多模型切换、结果保存与导出、用户管理等功能。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)。系统采用PyQt5界面，SQLite数据库，提供完整的模型训练代码和数据集配置方案，检测准确率达97.1%。适用于安防巡检、空域管理等场景的无人机实时监测需求。 阅读全文

摘要： 本文介绍了一套基于YOLO系列算法的太阳能电池板缺陷检测系统。该系统支持多模态输入（图片/视频/实时摄像头），具备用户管理、多模型切换、检测结果可视化与保存等功能。技术栈采用Python3.10+PyQt5+SQLite，核心对比了YOLOv5/YOLOv8/YOLOv11/YOLOv12等模型性能，其中YOLO12n以40.6% mAP表现最优。训练结果显示系统对太阳能电池板裂缝的检测准确率达94.2%（mAP@0.5）。文章还提供了模型训练核心代码和源码获取方式，为光伏运维提供高效可靠的自动化检测解决方案。 阅读全文

摘要： 本文介绍了一套基于YOLO算法的农业害虫检测系统。该系统支持图片、视频、摄像头等多模态检测，提供多模型切换（YOLOv5/v8/v11/v12）、结果可视化、统计分析等功能。技术栈采用Python3.10+PyQt5+SQLite，模型训练脚本支持自动路径修正和批量训练。性能测试显示YOLO12n精度最高（mAP40.6%），YOLO11n速度最快（56.1ms）。系统还包含用户管理、数据保存等实用功能，适用于农业害虫检测场景。源码获取详见文末链接。 阅读全文