登录社区云，与社区用户共同成长
邀请您加入社区
本文综述了机器学习兴起前主流的图像特征提取方法，包括SIFT、SURF、ORB等7种算法。SIFT具有尺度不变性但计算量大；SURF在保持性能的同时提升了速度；ORB结合FAST和BRIEF实现快速检测；HOG适用于静态物体检测。这些传统方法通过不同技术手段提取图像关键点和描述符，在旋转、尺度、光照变化等方面各具优势，为计算机视觉发展奠定了基础。随着技术进步，这些方法在实时性、精度等方面不断优化，
YOLOv8车辆行人检测计数与跟踪系统 多目标检测与跟踪系统 ByteTrack算法 深度学习 计算机毕业设计（建议收藏）✅
本文基于深度学习目标检测算法YOLOv11，设计并实现了一套传送带缺陷识别检测系统。系统针对传送带表面常见的四类缺陷（堵塞、裂缝、异物、孔洞）进行自动化检测，采用改进的YOLOv11模型，结合1860张训练图像、318张验证图像和167张测试图像构建的数据集进行训练与优化。系统集成用户友好的UI界面，支持登录注册功能，实现了缺陷检测的可视化操作与结果管理。实验结果表明，该系统在测试集上达到较高的检
随着水体富营养化问题日益严重，水藻的快速检测与监测成为环境管理的关键任务。本文基于深度学习技术，提出了一种基于YOLOv11的水藻检测系统，能够高效、准确地识别水体中的水藻目标。系统采用YOLOv11算法，针对1类目标（水藻）进行优化，训练集包含704张图像，验证集包含344张图像，确保了模型的泛化能力。此外，系统集成了用户友好的UI界面，支持登录注册功能。实验结果表明，该系统在准确性和实时性上均
针对棉花品种自动化分类需求，本研究基于YOLOv12深度学习框架开发了一套高效准确的棉花分类识别检测系统。系统以四种常见棉种（G-arboreum、G-barbadense、G-herbaceum、G-hirsitum）为检测目标，通过构建定制化YOLO数据集、优化模型训练流程，并集成用户友好的UI界面与登录注册功能基于深度学习YOLOv12的棉花分类检测系统（YOLOv12+YOLO数据集+UI
本文提出了一种基于深度学习YOLOv12的白细胞类型识别检测系统，旨在实现高效、准确的血细胞分类。系统针对5类白细胞（嗜碱性粒细胞、嗜酸性粒细胞、淋巴细胞、单核细胞和中性粒细胞）进行检测，采用包含训练集6930张、验证集2970张的标注数据集进行模型训练。结合YOLOv12算法的高精度目标检测能力，系统进一步集成用户友好的UI界面与登录注册功能。实验表明，该系统在白细胞分类任务中表现优异，为医学辅
结核病（Tuberculosis, TB）是一种由结核分枝杆菌（Mycobacterium tuberculosis）引起的致命传染病，早期诊断对控制疫情至关重要。传统的检测方法依赖人工显微镜观察，效率低且易受主观因素影响。本研究基于深度学习目标检测算法YOLOv12，开发了一套高效的结核病自动检测系统。
结核病（Tuberculosis, TB）是一种由结核分枝杆菌引起的全球性传染病，早期准确检测对疾病防控至关重要。本文提出了一种基于YOLOv11深度学习模型的结核病检测系统，通过目标检测技术自动识别痰涂片样本中的结核杆菌（TBbacillus）。系统采用包含1,098张训练图像和122张验证图像的自定义YOLO数据集进行模型训练，并集成用户友好的UI界面，支持登录注册功能，便于医疗工作者快速筛查
本文提出了一种基于深度学习YOLOv12的教师行为识别检测系统，旨在实时识别并分析课堂教学中的教师行为。系统支持6类行为检测，包括“翘腿（Crossing legs）”“指导学生（Guiding students）”“看屏幕（Looking at the screen）”“讲课或提问（Teaching or asking）”“使用手机（Using a phone）”和“书写（Writing）”。
YOLO模型无人机目标检测跟踪识别系统 深度学习 PySide界面设计 大数据 毕业设计✅
基于YOLOv8模型的海洋生物目标检测系统 深度学习 pytorch 计算机毕业设计 PySide6界面✅
毕业设计：YOLOv8无人机目标检测跟踪识别系统 深度学习 PySide界面设计 大数据 毕业设计✅
本文提出动态稀疏训练（DST）方法PaI-2025，通过梯度波动率评估权重重要性，实现LLaMA-7B模型70%稀疏度压缩，性能损失小于1%。相比静态剪枝，PaI-2025支持权重动态重生，在训练过程中持续优化稀疏结构，使模型在参数量减少70%的情况下，推理速度提升2.3倍，显存占用显著降低。实验表明，该方法可在树莓派等边缘设备部署7B大模型（显存占用1.9GB），为AI工程化提供新思路。开源代码
python汽车车流量统计计数系统 pytorch 车流量统计 YOLOv8 多目标跟踪算法 COCO2017数据集 深度学习 毕业设计✅
python车辆行人检测与跟踪系统 深度学习 计算机毕业设计 YOLO模型 SORT算法 PyQt5界面 目标检测+目标跟踪 ✅
大数据专业：python停车位检测识别系统 YOLO模型 PyQt5界面 openCV模块 Tensorflow框架 Torch框架 深度学习 计算机毕业设计✅
毕业设计：python车辆行人检测与跟踪系统 YOLO模型 SORT算法 PyQt5界面 目标检测+目标跟踪 深度学习 计算机专业✅
毕业设计：基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的花卉检测与识别系统 深度学习 大数据专业 计算机项目（附完整资源+PySide6界面+训练代码）（建议收藏）✅
深度学习的垃圾分类识别系统 pytorch框架 多模型LeNet、AlexNet、VGG、GoogLeNet、ResNet、MobileNet、MobileNet、RegNet模型 大数据项目✅
优秀项目：YOLOv8无人机目标检测跟踪识别系统 深度学习 PySide界面设计 大数据✅
深度学习：python车型识别系统 车类型+车品牌+车颜色 检测识别 深度学习 神经网络 resNet50和Django框架 计算机优秀项目✅
基于 YOLOv8 与 VisDrone 数据集的无人机目标检测跟踪识别系统深度学习 PySide界面设计 大数据 毕业设计✅
YOLOv8汽车速度检测与跟踪系统 车辆超速检测 智慧交通 车辆检测跟踪 交通管制 深度学习 计算机毕业设计✅
多目标检测跟踪！YOLOv8+ByteTrack 车辆行人计数系统（深度学习 | 计算机毕设✅）
机器学习中的过拟合和欠拟合是两种常见问题。过拟合指模型在训练数据上表现优秀，但无法泛化到新数据，通常因模型过于复杂导致；欠拟合则是模型过于简单，无法捕捉数据规律，导致训练和新数据表现均差。解决过拟合可通过增加数据、正则化、简化模型等方法；应对欠拟合则可提升模型复杂度、增加特征、减少正则化等。两者分别对应"死记硬背"和"学习不足"的情况，需采取不同策略优化模型
python水果检测识别系统 深度学习算法 数据库 大数据 毕业设计 pyqt界面 训练集测试集（建议收藏）✅
✅ YOLOv8车辆行人检测计数与跟踪系统 多目标检测与跟踪系统 ByteTrack算法 深度学习 计算机毕业设计（建议收藏）
毕业设计：Python动物目标检测系统 YoloV8/V5双算法 PyQt界面 动物检测 动物识别 实时识别 深度学习✅
本文介绍了基于YOLO算法的交通目标检测项目，包含YOLOv5/v8/v10/v11等模型实现及优化改进。项目采用11000张标注图片的数据集，包含车辆、行人等5类目标。主要改进包括：1）使用DWConV卷积实现模型轻量化；2）添加ODConv动态卷积模块；3）结合卷积和注意力的CAFM模块提升特征提取能力；4）采用自适应阈值焦点损失(ATFL)处理样本不平衡。项目提供完整的训练日志、对比实验和基
