codingtea

摘要： 摘要：本文介绍了一个基于YOLO系列算法的交通锥形桶检测系统，该系统针对传统道路安全设施检测的痛点问题，实现了多模态检测、模型切换和结果可视化等功能。系统采用PyQt5前端界面和SQLite数据库，支持图片、视频及摄像头实时检测，并具有语音播报、结果导出等实用特性。通过对比YOLOv5/YOLOv8/YOLOv11/YOLOv12等模型性能，推荐YOLO12n（高精度）和YOLO11n（高速）作为首选方案。实验显示系统在6300张图片数据集上训练后，mAP@0.5达到71.7%，具备良好的检测效果。 阅读全文

摘要： 本文介绍了一套基于YOLO系列算法的苹果检测系统，该系统支持图片、视频和实时摄像头检测，具备多模型切换、结果可视化与统计等功能。系统采用Python3.10开发，前端使用PyQt5，数据库为SQLite，支持YOLOv5/v8/v11/v12等多种模型。实验表明，YOLO12n模型精度最高(mAP40.6%)，YOLO11n速度最快(56.1ms)。该系统可有效解决果园复杂环境下的苹果检测问题，提高采收效率。 阅读全文

摘要： 摘要：本文介绍了一套基于YOLO系列算法的密集人群行人检测系统。系统支持图片、视频及实时摄像头检测，具备模型切换、置信度调节、数据统计与导出等功能。通过对比YOLOv5/v8/v11/v12模型性能，显示YOLO12n精度最高(mAP40.6%)，YOLO11n速度最快(56.1ms)。系统采用Python3.10+PyQt5+SQLite技术栈，包含用户管理、模型训练等模块，能有效解决密集场景下的行人检测难题。 阅读全文

摘要： 本文介绍了一套基于YOLO系列算法的路面裂缝检测系统。系统支持图片、视频及实时摄像头检测，具备多模型切换、结果保存与可视化等功能。技术栈采用Python3.10+PyQt5+SQLite，对比了YOLOv5/v8/v11/v12模型性能，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。数据集包含3900张裂缝图片，训练结果显示mAP@0.5达83.1%，F1值0.78，具有较高的检测准确率。系统通过图形化界面实现便捷操作，为路面养护提供高效智能解决方案。 阅读全文

摘要： 本文介绍了一套基于YOLO系列算法的交通标志检测系统。该系统采用深度学习技术，支持55种常见交通标志的识别，具备图片、视频、批量文件及实时摄像头检测功能。系统提供图形化界面，包含模型切换、参数调节、结果统计与语音播报等实用功能，并配套用户管理、脚本调用和模型训练流程。技术栈采用Python3.10+PyQt5+SQLite，对比测试显示YOLO12n模型在精度(mAP40.6%)和速度(56.1ms)方面表现最优。系统训练数据包含4300张图片33类标志，最终mAP@0.5达到85.4%，F1值0.79，具有较高的识别准确率。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的PCB板元器件检测系统，该系统可识别22种元器件，支持图片、视频、批量文件和摄像头实时检测。系统采用Python3.10开发，前端使用PyQt5，数据库为SQLite，集成了YOLOv5/v8/v11/v12等多种模型。通过对比测试显示，YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最快（56.1ms）。系统提供可视化界面、语音播报、结果保存等功能，训练结果显示mAP@0.5达到69.4%，有效提升了PCB检测的效率和准确性。 阅读全文

摘要： 基于YOLO系列深度学习算法的昆虫识别系统，支持对33种昆虫（如星天牛属、剑尾蛾、橙粉蝶等）进行高精度识别。系统提供图片、视频、文件夹批量及摄像头实时检测功能，具备多模型切换、置信度调节、语音播报、结果保存与导出等交互模块。训练阶段采用6000张标注图片，YOLO12n模型在验证集上mAP达40.6%，识别精准度高，适用于农业监测与生态研究等场景。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的吸烟检测系统，该系统针对公共场所禁烟监管需求开发。系统支持多模态输入（图片/视频/实时摄像头），采用模块化界面设计，集成模型切换、参数调节、结果保存等功能，检测精度达91.6%（mAP@0.5）。技术栈包括Python3.10、PyQt5和SQLite，内置YOLOv5/v8/v11/v12模型，其中YOLO12n精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。系统还提供模型训练脚本，支持用户自定义数据集优化。该方案有效解决了传统人工巡查效率低、现有系统功能单一等问题，为无烟环境建设提供智能化工具。 阅读全文

摘要： 本文介绍了一种基于YOLO算法的交通事故检测系统，该系统可实时检测图片、视频和摄像头画面中的交通事故，并区分事故严重程度。系统采用三栏界面设计，支持多模型切换、检测结果保存与导出，并配有语音播报功能。技术栈包括Python3.10、PyQt5、SQLite和YOLO系列模型。实验表明，YOLO12n模型在精度上表现最佳（mAP40.6%），而YOLO11n在速度上最优（56.1ms）。系统还提供模型训练脚本，支持用户自定义数据集训练，适用于智慧交通等场景。 阅读全文

摘要： 本文介绍了一种基于YOLO算法的火焰烟雾检测系统。该系统通过YOLOv5/v8/v11/v12模型实现高精度实时检测，具有多模态输入、参数调节、语音播报和数据导出等功能。系统采用PyQt5界面和SQLite数据库，支持用户登录、模型切换和训练脚本。测试结果显示YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。该系统可广泛应用于火灾预警、工业监测等领域，实现了安全监测与效率提升的综合解决方案。 阅读全文