一颗改变视觉AI领域的重磅炸弹——YOLO 11
Ultralytics在2024年YOLO Vision活动上隆重推出全新计算机视觉模型——YOLO 11。YOLO 11于今日正式开源，为广大开发者带来更高效、更精准的视觉识别体验。YOLO 11标志着YOLO系列模型翻开新的篇章，它带来了一系列强大的功能和优化，使其更快，更准确，并且功能多样。
Python配合yolov11开发对象检测软件
【代码】Python配合yolov11开发对象检测软件。
YOLO v8目标检测（一）—网络模型与构建
在backbone主干网络中主要包括了YOLOv8 继续采用 CSP （Cross Stage Partial networks）的设计理念，可以提高梯度流动并减少参数数量。YOLOv5中的C3模块在YOLOv8中被C2f模块所替代，这个变化是为了进一步的轻量化。C2f 模块融合了ELAN的设计思想
爆改YOLOv8| 利用ResNet18、34、50、101替换yolo主干网络
ResNet,yolo,yolov8,暴力涨点
ultralytics-yolo-webui ：Detect 目标检测 工具-先行版本 ＞＞ DataBall
通过webui 方式对ultralytics 的 detect 检测任务 进行： 1）数据预处理，2）模型训练，3）模型推理。本项目提供了 示例数据集，用 labelImage标注，标注文件为 xml 文件。项目地址：https://github.com/XIAN-HHappy/ultralyti
YOLOv11来了，使用YOLOv11训练自己的数据集和推理(附YOLOv11网络结构图)
YOLOv11 由 Ultralytics 在 2024 年 9 月 30 日发布， 最新的 YOLOv11 模型在之前的 YOLO 版本引入了新功能和改进，以进一步提高性能和灵活性。YOLO11 在快速、准确且易于使用，使其成为各种对象检测和跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
[AI]小白向的YOLO安装教程
介绍了YOLO的安装和简单的进行对象检测。
YOLOv11 vs YOLOv8：谁才是真正的AI检测之王？
YOLOv11 vs YOLOv8：谁才是真正的AI检测之王？
yolov8目标检测pyside6可视化图形界面+检测源码ui文件——用于计数统计
yolov8目标检测pyside6可视化图形界面+检测源码ui文件——用于计数统计
yolov8/9/10模型在安全帽、安全衣检测中的应用【代码+数据集+python环境+GUI系统】
yolov8910模型安全帽、安全衣检测中的应用【代码+数据集+python环境+GUI系统】模型在安全帽、安全衣检测中的应用【代码数据集+python环境+GUI系统】背景意义安全帽和安全衣在工业生产、建筑施工等高风险作业环境中是保护工人免受意外伤害的重要装备。然而，在实际操作中，由于工人的疏忽或
AI：300 - YOLOv8 Neck层优化 | 基于ASF-YOLO的特征融合改进及应用分析
ASF-YOLO（Attention-based Spatial Fusion YOLO）是一种基于注意力机制的特征融合方法，旨在提高网络在处理不同尺度和语义信息时的能力。ASF-YOLO通过引入空间注意力机制和通道注意力机制，在特征融合层中增强了对重要特征的响应，从而提升了网络的表现。ASF-YO
【YOLOv8改进 - 注意力机制】 CAA： 上下文锚点注意力模块，处理尺度变化大或长形目标
【YOLOv8改进 - 注意力机制】 CAA： 上下文锚点注意力模块，处理尺度变化大或长形目标
AI：292-将CSWinTransformer集成到YOLOv8中 | 改进与应用分析
YOLOv8 是 YOLO（You Only Look Once）系列的最新版本，继承了 YOLO 系列的优良传统，致力于实现快速且准确的目标检测。YOLOv8 在网络架构、特征提取和检测精度等方面进行了优化，进一步提高了检测性能。然而，随着目标检测需求的不断增长，进一步提升 YOLOv8 的性能仍
DataWhale AI 夏令营 | yolov8神经网络结构
我们来逐步解析这段代码：1.
全网最详细教程，手把书教你使用YOLOv10训练自己的数据集和推理(附YOLOv10网络结构图)
YOLOv10，由清华大学多媒体智能组只开发，是一款亳秒级实时端到端目标检测的开源模型。该模型在保持性能不变的情况下，与YOLOv9相比，延迟减少了46%，参数减少了25%，非常适合需要快速检测物体的应用，如实时视频分析、自动驾驶和智能医疗等领域。这些改进使得YOLOv10在实时物体检测领域达到了新
【YOLO5 项目实战】（9）将 YOLO5 部署到 Web 端
本节详细讲解使用 Flask 框架构建 YOLOv5 模型的 Web 应用程序，将 YOLOv5 模型部署到Web端，实现基于 Web 的图像处理和目标检测系统。
AI：297-深度优化YOLOv8小目标检测性能 | 基于自适应特征金字塔网络（AFPN）的创新改进策略
本文探讨了如何通过引入自适应特征金字塔网络（AFPN）来提升YOLOv8在小目标检测中的性能。AFPN通过对多尺度特征的精细化融合，增强了模型对不同尺度目标的感知能力，特别是对小目标的检测能力进行了有效提升。我们通过引入可学习权重参数和膨胀卷积等技术，进一步优化了AFPN结构，实验结果显示，结合这些
YOLOv8 目标跟踪、车速检测、车流量统计
【代码】YOLOv8 目标跟踪、车速检测、车流量统计。
AI：286-提升YOLOv8性能 | 集成MLCA混合局部通道注意力机制的研究与应用
YOLO（You Only Look Once）系列模型以其卓越的实时目标检测能力在计算机视觉领域取得了广泛应用。YOLOv8在之前版本的基础上进行了优化，提升了模型的精度和效率。然而，在处理复杂背景和小物体检测任务时，YOLOv8仍有提升的空间。MLCA（Mixed Local Channel A
AI：283-独创FRMHead| 超越YOLOv8与RT-DETR的下一代目标检测头
YOLO（You Only Look Once）系列是目标检测领域的佼佼者，其模型在精度和速度上不断取得突破。YOLOv8作为该系列的最新版本，已经在多个检测任务中展现了其强大的性能。然而，面对新兴的检测需求和挑战，我们需要进一步优化YOLOv8的检测头，以提升其检测精度和速度。本文将介绍一种全新的
