codingtea

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

摘要： 本文介绍了一套基于YOLO算法的绝缘子智能检测系统。该系统通过YOLOv5/v8/v11/v12等轻量化模型实现毫秒级绝缘子缺陷识别，支持图片/视频/摄像头等多源输入，具备双阈值调节、可视化标注、语音告警等功能。系统采用PyQt5开发界面，支持多模型切换、结果保存导出。技术分析显示，YOLO12n模型表现最优（mAP40.6%），YOLO11n速度最快（56.1ms）。训练结果显示系统准确率达96.7%（mAP@0.5），F1值0.95，显著提升了电力巡检效率和缺陷检出率。 阅读全文

摘要： 摘要：本文介绍了一个基于YOLO算法的考试作弊智能检测系统。该系统通过深度学习技术实现考场作弊行为的自动识别，支持图片、视频、文件夹批量处理及实时监控，具备用户管理、结果导出和语音播报功能。系统采用PyQt5界面，SQLite数据库，并对比分析了YOLOv5/v8/v11/v12四种模型的性能（YOLO12n精度最高达40.6%mAP）。训练数据集包含13000张图片，最终模型在IoU=0.5时mAP达到89%。该系统为考场监控提供了高效智能的解决方案。 阅读全文

摘要： 本文介绍了一套基于YOLO算法的纺织品缺陷智能检测系统。该系统通过深度学习技术，可精准识别破洞、织线瑕疵等缺陷，支持图片、视频、实时摄像头等多种检测方式，并提供可视化界面、结果导出等功能。系统采用PyQt5开发前端，支持多模型切换（YOLOv5/v8/v11/v12），其中YOLO12n模型精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。文章详细演示了用户界面操作流程，并分享了模型训练核心代码，实现了从数据集准备到模型生成的全流程自动化。该系统有效解决了传统人工质检效率低、漏检率高的问题。 阅读全文

摘要： 摘要：本项目开发了一套基于YOLO算法的红外行人识别系统，支持图片、视频及实时摄像头检测。系统采用PyQt5界面，具备用户登录、模型切换、结果保存等功能，集成YOLOv5/v8/v11/v12多种模型。通过3000张图片数据集训练，YOLO12n模型达到91.4%的mAP@0.5准确率，YOLO11n实现56.1ms的CPU推理速度。系统提供图形化操作与脚本检测两种模式，适用于安防监控等红外场景下的行人识别需求。源码可通过指定链接获取。 阅读全文

摘要： 摘要：本文介绍了一套基于YOLO算法的驾驶行为检测系统，采用计算机视觉技术实时识别驾驶员分心、异常姿态等行为。系统具备三区布局界面，支持图片/视频/摄像头多模态检测，并集成语音播报、数据统计和结果导出功能。技术栈采用Python+PyQt5+SQLite，对比分析了YOLOv5/v8/v11/v12模型的性能差异，其中YOLO12n以40.6%mAP精度最优，YOLO11n以56.1ms推理速度最快。系统训练数据包含15类驾驶行为，最终模型在0.5IoU阈值下达到97.4%的mAP准确率。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的多种类动物检测识别系统。系统实现了50多种动物的精准识别，具有模块化GUI界面，支持多源输入、模型切换、实时调节和数据可视化。核心功能包括用户管理、多模态检测、结果保存等。通过对比YOLOv5/YOLOv8/YOLOv11/YOLOv12模型，YOLO12n在精度上表现最优(mAP40.6%)，YOLO11n在速度上最快(56.1ms)。系统使用19000张图片的数据集训练，最终mAP@0.5达到84.2%，F1值0.79。源码可通过指定链接获取。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的夜间物体检测系统，该系统通过深度学习技术优化了在光线不足环境下的物体识别性能。系统具备多模态检测能力，支持图片、视频和实时摄像头输入，并提供可视化界面、语音播报和数据统计功能。文章详细展示了系统架构、用户界面和核心训练代码，并对YOLOv5/YOLOv8/YOLOv11/YOLOv12模型性能进行了对比分析，其中YOLO12n在mAP指标上表现最优。该系统使用Python3.10开发，采用PyQt5前端和SQLite数据库，训练数据集包含17000张夜间场景图片，最终实现了77.2%的mAP@0.5检测准确率。 阅读全文