codingtea

摘要： 本文介绍了一套基于YOLO算法的草莓健康度智能检测系统。该系统采用三栏式界面设计，支持图片、视频和实时摄像头检测，能自动识别10种草莓病害状态并生成可视化报告。系统内置YOLOv5/v8/v11/v12多模型切换功能，其中YOLO12n以40.6%mAP表现最优，YOLO11n则以56.1ms推理速度最适合实时检测。配套的训练脚本支持批量训练和模型优化，在6000张标注数据上取得了93.1%的[email protected]准确率。该系统实现了从人工检测到智能化、可追溯的农业品质管控转型。 阅读全文

摘要： 摘要：本文介绍了一个基于YOLO算法的螺栓螺母智能检测系统，可精准识别图片和视频中的零件细节。系统采用三栏式界面设计，支持多模态检测、模型切换和个人信息管理。核心代码展示了YOLO模型的批量训练流程，可自动处理数据集路径并支持多种预训练模型。技术对比显示YOLO12n模型在精度和效率上表现最优。该系统通过可视化操作和脚本化检测两种方式，实现了工业质检场景的高效自动化，准确率达97.3%。 阅读全文

摘要： 本文介绍了一个基于YOLO算法的非机动车头盔检测系统，通过深度学习技术实现骑行安全监测。系统采用PyQt5前端界面和SQLite数据库，支持图片、视频及实时摄像头的多模态检测，具备模型切换、参数调节和结果统计功能。核心代码展示了YOLO模型批量训练工具，支持自动路径修正和多模型训练对比。实验数据显示，YOLO12n模型在[email protected]达到95.2%，综合F1值0.92，显著优于其他版本。该系统实现了从检测到模型训练的全流程解决方案，为城市骑行安全提供了有效的技术保障。 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[email protected]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，[email protected]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，[email protected]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（[email protected]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