- 博客(55)
- 收藏
- 关注
RSS订阅
原创 Ultralytics可视化界面；YOLOv12；YOLOv11；YOLOv10；YOLOv8等通用可视化界面GUI设计，基于PyQt5，单文件即插即用，美化布局，新增登录注册界面
本文的可视化UI界面对于Ultralytics（目前的YOLOv12 & YOLOv11 & YOLOv10 & YOLOv8通用）的检测、分割、分类、姿势估算（detection, segmentation, obb, classification, and pose estimation）等均可正常显示。增加登录注册功能。
2025-05-06 19:23:03
4167
2
原创 YOLOv12可视化界面；YOLOv11；YOLOv10；YOLOv8等通用可视化界面GUI设计，基于pyside6，单文件即插即用，更新ip摄像头检测，美化布局及信息输出
YOLOv12;YOLOv11;YOLOv10;YOLOv8等ultralytics通用目标检测可视化界面，单文件即插即用，界面美观。
2025-03-23 17:44:20
2840
7
原创 超详细目标检测：YOLOv11(ultralytics)训练自己的数据集，新手小白也能学会训练模型，手把手教学一看就会
对电脑小白也很简单的yolov11教程！训练自己的数据集分为4部分，先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果，附带可视化界面。YOLOv11为Ultralytics公司YOLO系列实时目标检测器的最新迭代版本，训练流程与YOLOv8基本一致，仅替换了新的网络结构与预训练权重，如果有其他目标检测的数据集可以直接拿来用，从第3训练模型开始看，新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以发到评论区交流~
2024-10-31 16:57:49
60752
271
原创 目标检测：yolov8(ultralytics)训练自己的数据集，新手小白也能学会训练模型，一看就会
很简单小白也可以轻松看懂并实现的yolov8教程！先配置环境，再获取制作自己的数据集，然后修改配置训练，最后验证训练结果，附带可视化界面。yolov8训练起来较为简单，如果有其他目标检测的数据集理论上可以直接拿来用，从第3训练模型开始看，新手小白0基础建议一步一步跟着来，哪里看不懂的或者遇到哪有问题可以评论区交流或者私信问~
2024-04-09 20:47:09
61196
136
原创 YOLOv13教程：YOLOv13训练模型，超详细适合0基础小白快速上手
小白也可以看懂的YOLOv13教程，零基础小白快速上手训练出自己的模型。
2025-07-11 14:17:55
2058
9
原创 一个简单的基于PyQt5及PySide6的登录注册可视化界面(GUI)，使用txt文本保存账户
通过本文，你将掌握到简单的在可视化界面上添加登录及注册功能的方法。无论你是 GUI 开发的初学者，还是希望在 PyQt5 和 PySide6 之间进行对比的开发者，本文都将为你提供清晰的指引和实用的思路。特别适合于毕业设计做出一个简单的功能界面。
2025-05-06 18:54:02
1005
原创 深度学习目标检测pytorch检测代码，可快速查找环境问题
本文给出了一个检测torch环境的代码。部分读者在部署YOLO目标检测框架时遇到NVIDIA显卡未正常调用的问题，当指定使用GPU设备（device=0）时，系统抛出硬件资源分配异常。如以下报错。
2025-04-23 22:44:29
1122
原创 YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLOv11、YOLOv12各版本的网络结构图
YOLOv5、YOLOv6、YOLOv7、YOLOv8、YOLOv9、YOLOv10、YOLOv11、YOLOv12各版本的网络结构图
2025-03-20 17:22:22
2503
原创 Python更换pip国内源
在国内开发Python项目，遇到下载速度慢的问题，可以更换国内源下载，这里给出国内多个源的临时换源及永久换源方法，值得一看。
2025-03-18 14:31:53
2020
原创 目标检测：YOLOv12环境配置，超详细，适合0基础纯小白
小白也可以看懂的YOLOv12教程！YOLOv12 是 YOLO 系列中首个打破传统基于卷积神经网络（CNN）方法的模型，它通过将注意力机制直接集成到目标检测过程中实现了这一突破。因此YOLOv12需要额外配置FlashAttention，此前的YOLO环境均不可用，需要按照最新的教程配置。此外，30系显卡以前的架构不支持较新的FlashAttention2.x，只能通过更换显卡解决。
2025-03-17 18:39:04
9018
53
原创 电脑小白科普——命令行中的相对路径与绝对路径
路径指的是文件或目录在计算机文件系统中的位置，命令行操作中需要用到路径来定位文件或文件夹。你可能听说过“绝对路径”和“相对路径”这两个术语，但它们究竟有什么区别呢？在本文中，我们将详细讲解命令行中相对路径与绝对路径的概念、差异以及如何在实际操作中灵活使用它们，帮助你更好地掌握命令行操作。
2025-01-21 16:10:49
1886
原创 Roboflow目标检测数据集下载使用及处理
在进行目标检测任务时，数据集的质量和多样性直接影响到模型的表现。Roboflow是一个广泛使用的在线平台，它提供了丰富的标注工具和数据集管理功能，帮助用户快速构建和处理目标检测数据集。通过Roboflow，用户可以轻松获取并处理适用于各种计算机视觉任务的数据集，特别是目标检测任务中的图像和标签。本文将详细介绍如何从Roboflow平台下载目标检测数据集以及对于下载的数据集进行一些处理方便自己使用。
2025-01-19 17:29:47
6009
3
原创 YOLOv11（Ultralytics）可视化界面GUI设计，基于pyside6，单文件即插即用 兼容官方源码，可打包成软件
基于 PySide6 开发了一个YOLOv11/YOLOv8的 可视化界面（GUI），该界面能够实现对 YOLOv11/YOLOv8模型的简单操作，包括模型选择、图片检测、视频检测、摄像头检测并进行结果展示等功能，且完全兼容官方源代码。
2025-01-07 00:26:27
3784
2
原创 YOLOv8/YOLOv11改进 添加CBAM、GAM、SimAM、EMA、CAA、ECA、CA等多种注意力机制
本篇文章将为大家介绍Ultralytics/YOLOv8/YOLOv11中常用注意力机制的添加，可以满足一些简单的涨点需求。本文仅写方法，原理不多讲解，需要可跳转论文查看，文章中出现的所有结构示意图都来自论文中。
2025-01-03 15:45:46
6748
12
原创 计算机毕业设计：基于深度学习/YOLO的森林火灾检测系统——以此为例的众多深度学习目标检测毕业设计
毕业季许多毕业生既要忙于备考和实习，为毕业后的就业或升学做准备，又要投入大量精力进行毕业设计及论文的写作。为了帮助大家顺利完成毕业设计，并能更好地将时间和精力投入到就业和考试的准备中，我在这里以森林火灾为例，给出一些具体的思路，供大家参考。如果有朋友拿到相关的题目而不知道从何下手可以往下看，私信或者通过公众号联系我提供毕业设计及论文方面的帮助。
2024-12-29 17:04:19
1737
原创 YOLOv11/YOLOv8网络结构图绘制，本文适用于论文添加修改模块，绘制属于自己的网络结构图
本文将将会您绘制自己的YOLOv11/v8模型网络结构图，无论是针对初学者还是有经验的深度学习研究者，本文都将为您提供清晰的指导和实用的技巧，使您能够快速上手绘制高质量的网络结构图，为您的研究工作增添亮点。
2024-12-25 20:58:14
9567
6
原创 目标检测数据集图片及标签同步旋转角度
在深度学习领域，尤其是目标检测任务中，数据集的质量直接影响模型的性能。为了提升模型的鲁棒性和对各种场景的适应能力，数据增强技术被广泛应用于图像数据集处理。旋转角度是常见的数据增强方法，通过对图像及其对应的标签（边界框）进行同步旋转，可以有效地增加模型对不同方向目标的识别能力。然而，在进行旋转变换时，除了图像本身需要旋转外，与之对应的标签（边界框）也需要进行同步更新。否则，标签位置的偏差将导致模型训练出现误差，甚至无法正确识别目标。
2024-12-21 20:48:36
582
原创 深度学习显卡算力排行榜（显卡天梯图）——以单精度FP32浮点性能为标准的TFLOPS对比
显卡（Graphics Processing Unit，简称GPU）是计算机中用于处理图形相关运算的硬件设备，是现代计算机中不可或缺的重要组成部分。显卡的核心任务是生成计算机显示器上的图像，同时还广泛应用于人工智能、大数据计算和区块链等领域。本文提供深度学习领域的单精度浮点性能显卡天梯图供参考。
2024-12-16 22:56:35
37621
2
原创 YOLOv11（Ultralytics）视频选定区域目标统计计数及跟踪
无论是在智慧交通中统计通过特定路口的车辆数量，还是在零售分析中追踪进入特定区域的顾客行为，这一功能都发挥着不可或缺的作用。运行完代码后检测结果会保存为视频，本文给出代码为默认的opencv代码，如需较为完整的使用pyqt5界面写出的视频或摄像头检测代码，可私聊获取，有其它需求欢迎私聊定制，如有大佬有好的想法也欢迎一起讨论。效果展示如下，目标经过自选框则计入in，离开自选框则计入out，总数在左侧显示，跟踪轨迹显示为线条（默认YOLOv11n效果一般，自训练模型效果较好）。，相应的函数也需要对应修改。
2024-11-23 21:05:23
3646
2
原创 YOLOv11可视化界面ui设计；YOLOv12；YOLOv10；YOLOv8等通用，基于pyqt5，单文件即插即用，支持文件夹检测及云摄像头检测并保存
检测图片并分别在左右窗口进行显示image_path, _ = QFileDialog.getOpenFileName(None, "选择图片文件", "", "图片文件 (*.jpg *.jpeg *.png)")image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 转换为 RGBannotated_image = cv2.cvtColor(annotated_image, cv2.COLOR_BGR2RGB) # 转换为 RGB。
2024-11-11 20:35:20
10452
38
原创 通过ip摄像头软件将手机变成云ip摄像头，并用Python读取视频流，可用于实时目标检测摄像头调用
通过将手机模拟成IP摄像头，我们可以实现将手机摄像头的画面通过网络传输，进而通过Python程序读取视频画面进行分析、处理等。本文将介绍如何通过一款局域网IP摄像头软件将手机模拟成云摄像头，并使用Python进行视频流的读取，同时运用目标检测算法进行实时物体识别。使用手机软件模拟ip摄像头相比购买专门的IP摄像头设备，成本大大降低。这里我们选择局域网的第一个MJPEG进行连接，可以将网址输入浏览器中，再输入账号密码admin进行查看，或者通过以下python代码在python上调用视频流画面，代码如下。
2024-11-10 22:56:02
1348
1
原创 目标检测数据集图片及标签同步对比度/亮度增强
对比度和亮度增强是常见的数据增强方法，它们可以使图像在不同光照和对比度条件下表现得更加自然，帮助模型学习在多样化的视觉环境中提取有效特征。然而，仅增强图像是不够的，因为标签也需要与图像同步调整。代码如下，其中alpha参数修改为对比度调整，alpha 的值为 1.0 时表示不变，大于 1.0 增强对比度，小于 1.0 减弱对比度，一般调整0.5-2.0；beta参数修改为亮度调整，beta 为 0 时表示亮度不变，正值增加亮度，负值降低亮度，一般调整负100-正100，可以根据效果自行调整数值。
2024-11-03 10:06:05
536
原创 统计数据集的TXT、XML及JSON标注文件中各类别/每个标签的数量
在计算机视觉和深度学习领域，标注文件是模型训练的重要组成部分。无论是图像分类、目标检测还是图像分割，正确的标注能够显著提升模型的性能。在实际应用中，我们需要快速了解每个类别的样本数量，以便进行数据分析、平衡类别分布或优化模型训练。以下是各个格式的文件代码，输出均按照顺利从多到少排序，其中txt输入需要修改列表中标签。统计YOLO格式的TXT文件。统计VOC格式的XML文件。
2024-10-30 16:19:48
1241
原创 大规模数据集优化：随机对应删除文件，针对数据集过大
有些时候我们拿到了庞大的数据集，而并不需要用到那么多数据集进行训练，为了提高模型的效率和准确性，需要对数据集进行优化，随机删除部分不必要的文件，可以有效减小数据集规模，同时保留我们需要的信息。这里默认图片文件后缀为jpg，标注文件后缀为xml，如果遇到文件后缀名为大写的，则需要先将大写调整为小写，再进行查找，使用以下代码进行后缀名大小改小写。本文代码即是针对数据进行随机对应删除操作，即给定文件名中包含的字符及删除百分比，运行代码后可以自动删除同名的图片及标注数据，十分方便，
2024-10-30 15:48:52
357
原创 目标检测：YOLOv11(Ultralytics)环境配置，适合0基础纯小白，超详细
深度学习目标检测YOLOv11小白教程环境搭建，超级简单的教程，纯新手方便理解，一看就会。
2024-10-27 21:36:42
121271
598
原创 Labelme标注的json文件转yolo训练的txt文件
在目标检测任务中，数据标注是模型训练的关键环节。常用的标注工具有Labelimg和 Labelme，它们均能够以直观的方式对图像中的目标进行标注，并生成包含标注信息的TXT文件或者 JSON 文件。然而，YOLO模型使用的是特定格式的 .txt 文件作为训练数据。思路为，json文件中需要提取的关键信息为类别和坐标，可在shapes标签中通过提取label和points的值并进行分析得到，再将坐标值进行归一化，将全部信息按照每行文本输出到txt文件中，得到的即为yolo格式的txt文件。
2024-10-24 13:42:57
1401
2
原创 目标检测数据集图片及标签同步旋转
在目标检测任务中，图像的旋转是一种常见且有效的增强策略。通过对图像进行旋转，能够增加数据集的多样性，帮助模型更好地应对不同角度下的目标。然而，在进行图像旋转时，如果不对标签（标注框）进行同步调整，旋转后的图像将与标签信息不匹配，导致训练数据需要再次标注，提高了任务量。本篇文章将介绍如何在对目标检测数据集的图片进行旋转的同时，确保标签的同步旋转。通过这一增强手段，不仅可以扩展数据集的多样性，还能保证旋转后的图像与标签信息的精确对应，提升目标检测模型的鲁棒性和性能。
2024-10-21 23:56:18
418
原创 目标检测数据集图片及标签同步锐化
在目标检测任务中，数据集的质量直接影响到模型的性能。锐化（Sharpening）技术是常见的图像增强方法之一，能够突出图像中的细节特征，使模型在处理边缘、纹理等细节时表现更好。然而，单纯对图像进行锐化处理并不充分，特别是在目标检测任务中，图像的锐化还需与标签（标注框）的同步处理相结合，以保证增强后的图像与其对应的标注信息保持一致性。本篇文章将介绍如何对目标检测数据集中的图片进行锐化处理，并同步调整相应的标签文件，确保在数据增强的同时，图像与标签信息的精确对应。
2024-10-18 22:25:25
396
yolov11源码+yolov11n、s、m.pt文件整合8.3.20版本
2024-10-27
yolov9源码+yolov9-t-converted.pt、yolov9-s-converted.pt文件整合
2024-06-19
yolov7源码+yolov7-tiny.pt、yolov7.pt文件整合
2024-05-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人