codingtea

摘要： 本文介绍了一种基于YOLO系列深度学习算法的水果品质检测系统。该系统可自动识别多种水果（如草莓、香蕉等）及其变质程度（优质、轻微变质、腐烂），使用超过21,000张图片的数据集训练，在YOLOv5、v8、v11和v12等多个模型版本中实现高精度检测。系统采用三栏式用户界面，支持图片、视频、摄像头等多种检测方式，并具备模型切换、参数调整等功能。性能测试显示YOLO12n模型达到最佳检测精度（mAP40.6%），而YOLO11n在速度上表现最优（CPU推理56.1ms）。该系统有效解决了传统人工检测效率低、主观性强的问题，适用于农业和食品安全领域。 阅读全文

摘要： 本文介绍了一个基于YOLO系列模型的水果检测系统，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开发交互界面，提供用户登录、模型切换、结果统计等功能，并内置YOLOv5/v8/v11/v12四种模型对比测试。技术分析显示，YOLO12n模型以40.6% mAP值表现最优，YOLO11n在CPU推理速度上领先42%。系统还提供模型训练工具，支持自动路径修正和批量训练，在35类水果数据集上达到96.5%的mAP@0.5准确率。该方案在检测精度、速度和用户体验间取得平衡，适用于农业分拣、智能零售等场景。 阅读全文

摘要： 本文介绍了基于YOLO目标检测算法开发的肾结石检测系统。该系统支持图片、视频、文件夹批量及摄像头实时检测，包含用户登录、多模型切换等功能。技术栈采用Python3.10、PyQt5和SQLite，对比了YOLOv5/v8/v11/v12四种模型性能，其中YOLO12n精度最高(mAP40.6%)，YOLO11n速度最快(56.1ms)。系统在17000张肾脏影像数据集上训练，mAP@0.5达90%，F1值0.86，能有效识别肾结石位置并显示置信度。 阅读全文

摘要： 本研究基于YOLO算法开发了一套反光衣智能检测系统，支持图片、视频和实时摄像头的多模态检测。系统采用PyQt5界面设计，提供用户管理、模型切换和参数调整功能。通过对比YOLOv5/v8/v11/v12等模型性能，发现YOLO12n在精度（mAP 40.6%）和效率（6.5B FLOPs）上表现最优。测试显示系统在置信度0.67时F1值达0.96，mAP@0.5达98.2%，适用于工地、道路等场景的安全监管。 阅读全文

摘要： 本文介绍了一种基于深度学习的脑肿瘤智能检测系统。该系统采用YOLO系列算法框架，支持多源数据输入、交互参数调节和可视化分析。系统测试结果显示平均检测准确率达98.3%，检测耗时满足临床应用需求。研究对比了YOLOv5/YOLOv8/YOLOv11/YOLOv12等模型的性能，推荐YOLO12n(精度最高)和YOLO11n(速度最优)作为首选方案。该系统为脑肿瘤的智能化筛查提供了可行的技术解决方案。 阅读全文

摘要： 本文介绍了一种基于YOLO算法的木薯病害智能检测系统。该系统采用深度学习技术，可自动识别木薯褐斑病、褐条病等5种病害，支持图片、视频及实时摄像头检测。系统提供交互式界面，支持多模型切换（YOLOv5/v8/v11/v12）和参数调整，其中YOLO12n模型表现最优（mAP@0.5达89.5%）。核心代码展示了批量训练功能，可自动处理数据集路径并加载预训练模型。系统采用Python3.10+PyQt5+SQLite技术栈，具有高精度（F1值0.86）、高效率（YOLO11n推理仅56.1ms）的特点，为农业病害检测提供了智能化解决方案。 阅读全文

摘要： 本研究设计了一套基于YOLO算法的无人机视觉小目标检测系统，针对无人机航拍图像中小目标检测的难点，对比了YOLOv5、YOLOv8、YOLOv11和YOLOv12四种模型的性能。系统提供用户管理、多模型切换、实时检测等功能，测试结果显示YOLO12n模型mAP最高达40.6%，YOLO11n推理速度最快（56.1ms）。该系统支持图片、视频等多种输入方式，为无人机小目标检测提供了实用解决方案。 阅读全文

摘要： 本文实现了一套基于YOLO系列的遥感地面物体检测系统，集成YOLOv5/v8/v11/v12四种模型，支持多模型横向对比与快速切换。系统采用PyQt5构建桌面应用，具备图片/视频/实时摄像头检测功能，提供交互式参数调节和结果分析。通过SQLite实现用户管理，配套训练脚本支持批量自动化训练。实验表明，YOLO12n在精度(mAP40.6%)和效率(6.5B FLOPs)上表现最优，YOLO11n推理速度最快(56.1ms)。系统在11类遥感目标检测任务中取得mAP@0.5达84.9%的优异性能，为遥感智能解译提供了一体化解决方案。 阅读全文

摘要： 本文实现了一套基于YOLO的田间杂草智能检测系统，集成YOLOv5/v8/v11/v12四种模型进行对比分析。系统采用PyQt5开发桌面应用，支持图片/视频/摄像头多模态检测，具备置信度调节、实时统计等交互功能。基于18074张图片的数据集测试显示，YOLO12n模型表现最优（mAP40.6%），YOLO11n推理速度最快（56.1ms）。系统实现了从数据准备、模型训练到推理部署的全流程，为农业智能化管理提供了一体化解决方案，在测试集上达到93.6%的检测准确率。 阅读全文

摘要： 本文实现了一套基于YOLO系列模型的船舶检测系统，集成YOLOv5/v8/v11/v12等多个版本，支持图片、视频、摄像头实时检测等多种模式。系统采用PyQt5构建桌面应用，具备用户管理、多模型切换、参数调节等功能。测试显示YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最快（56.1ms）。训练数据集包含8700多张图片，模型在测试集上达到96.5%的mAP@0.5准确率。该系统为海事监管、港口调度等场景提供了一体化解决方案，兼顾精度与效率。 阅读全文