codingtea

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

摘要： 本文介绍了一款基于YOLO算法的车型识别系统，支持轿车、卡车、公共汽车和摩托车等多种车型识别。系统具备图片、视频、摄像头实时检测及批量处理功能，集成语音播报、结果导出等实用模块，并提供用户登录和模型训练功能。技术栈采用Python 3.10、PyQt5和SQLite，支持YOLOv5至v12多模型切换。测试数据显示，YOLO12n模型以40.6%的mAP表现最优，YOLO11n在CPU推理速度最快(56.1ms)。系统训练数据集包含19,000张图片，mAP@0.5达到70.8%，F1值为0.67，识别效果良好。完整源码可通过指定视频链接获取。 阅读全文

摘要： 本文提出基于YOLO深度学习算法的铁轨缺陷检测系统，通过构建专用数据集训练模型，并开发图形化界面实现自动化检测。系统支持图片、视频、摄像头及批量检测，具备实时显示、语音报警、数据导出等功能。对比YOLOv5/v8/v11/v12模型，YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。训练结果显示综合mAP@0.5达88.6%，F1值0.85，验证了系统的高效性。该系统为铁路巡检提供了智能化解决方案。 阅读全文

摘要： 本文提出基于YOLO深度学习算法的轨道缺陷检测系统，通过构建专用数据集训练模型并开发图形化界面，实现自动化检测。系统支持图片、视频、摄像头及批量检测，具备实时参数显示、语音报警及数据导出功能。实验对比了YOLOv5/v8/v11/v12模型性能，其中YOLO12n精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。训练结果显示系统综合mAP@0.5达81.8%，F1值0.80，验证了方法的有效性。该系统为铁路巡检提供了一套高效、智能的解决方案。 阅读全文

摘要： 本文介绍了一套基于YOLO算法的杂草检测系统，支持图片、视频及实时视频流的多模态检测。系统具备模型管理、结果导出、参数调节、语音提醒等功能，采用YOLOv5/v8/v11/v12等模型进行训练，在4000张农田影像数据集上实现了87.5%的mAP@0.5准确率。其中YOLO12n模型表现最优（mAP40.6%），YOLO11n推理速度最快（56.1ms）。系统提供完整的训练脚本和跨平台部署方案，可应用于精准农业中的杂草识别与自动化除草场景。 阅读全文

摘要： 本文设计并实现了一套基于YOLO算法的轮船分类检测系统，支持图片、视频及实时视频流的多类别船舶检测。系统具备多源检测、模型管理、结果保存、参数调节等功能，采用YOLOv5/v8/v11/v12系列模型，经测试YOLO12n精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。基于4000张船舶图像训练，系统在mAP@0.5达到93%，F1值0.90，可广泛应用于港口监控、海事巡逻等场景。系统采用Python开发，前端使用PyQt5，支持模型训练与跨平台部署。 阅读全文

摘要： 本文提出了一种基于YOLO算法的香蕉成熟度智能检测系统，能够识别5种成熟度类别。系统集成了可视化界面、多模态检测、结果保存等功能，支持图片、视频和实时摄像头检测。通过对比YOLOv5/v8/v11/v12模型性能，推荐YOLO12n（mAP40.6%）用于高精度场景，YOLO11n（56.1ms）用于实时检测。实验显示系统综合mAP@0.5达93.8%，F1值0.88，具有较高准确率。该系统为水果成熟度检测提供了实用解决方案，可应用于果园采收和仓储管理。 阅读全文

摘要： 本文介绍了一套基于YOLO算法的X光骨折检测系统，旨在解决传统人工阅片效率低、一致性差的问题。系统支持图片、视频及实时摄像头检测，提供可视化交互界面、批量处理、结果导出等功能。通过对比YOLOv5/v8/v11/v12等模型，发现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，训练数据集包含22,000张X光影像，实验结果显示mAP@0.5达97.0%，F1值0.95，具备良好的临床应用价值。 阅读全文

摘要： 本文介绍了一种基于YOLO系列深度学习算法的水下垃圾检测系统。该系统可识别多种水下垃圾，支持图片、视频及实时摄像头检测，具有可视化界面、多模型切换、结果导出等功能。通过对比YOLOv5/YOLOv8/YOLOv11/YOLOv12等模型性能，显示YOLO12n精度最高（mAP40.6%），YOLO11n速度最优（56.1ms）。系统采用Python3.10开发，前端使用PyQt5，数据库为SQLite，训练结果显示mAP@0.5达84%，F1值0.81，具有较高检测精度。该系统为海洋环境保护和水下作业提供了高效智能的解决方案。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的水面垃圾检测系统，该系统具备垃圾识别分类、多模态检测和模型训练功能。系统采用PyQt5开发界面，支持图片/视频/实时摄像头检测，检测结果可标注保存。内置YOLOv5/v8/v11/v12模型对比显示，YOLO12n精度最高(mAP40.6%)，YOLO11n速度最优(56.1ms)。系统提供完整的训练脚本，支持数据路径自动修正和批量模型训练，在2500张图片的数据集上达到95.7%的mAP@0.5准确率。该系统适用于水面清洁监测及相关计算机视觉项目。 阅读全文