登录社区云，与社区用户共同成长
邀请您加入社区
涵盖数据集搭建、模型原理改进、性能消融实验、模型部署、可视化开发，完整贴合AI、CV、深度学习方向复试考核重点，可作为核心科研经历写入简历、项目经历、科研小结；：工作量饱满、逻辑完整、创新点充足，既能满足普通本科毕业设计要求，也可作为优质硕预项目打磨，可轻松支撑论文撰写、答辩PPT、成果演示；：可二次改造为病害分割、产量预估、田间实时检测、视频流识别等拓展功能，适合后续发论文、做科创竞赛、大创项目
本文介绍了一个高精度、轻量化的交通标志检测系统，主要面向自动驾驶和智能交通应用。项目采用YOLOv26n模型，在4类交通标志数据集上训练100个epoch，达到0.969的mAP50，模型仅5.4MB。创新点包括：3.8ms的极速推理、支持图片/视频/摄像头的多模态输入、基于PyQt5的中文可视化界面，以及开箱即用的部署方案。系统特别适合毕业设计、学科竞赛和实际部署，提供完整代码、预训练模型和数据
本项目是一个面向钢材表面缺陷检测场景的深度学习应用系统，围绕 YOLOv8 完成了从数据集组织、模型训练、结果评估，到桌面端检测系统开发与功能集成的完整流程。项目以 NEU-DET 钢材表面缺陷数据集为基础，训练得到钢材缺陷检测模型，并基于 PyQt6 开发了可视化检测系统，支持图片识别、视频识别、摄像头实时识别、检测历史管理、模型参数管理和训练指标展示等功能。
Serialization assertion magicTagRead == kMAGIC_TAG failed.Magic tag does not match
本文介绍了基于YOLO系列模型的电力设施检测系统。项目采用YOLOv5/v8/11/12及RT-DETR五个模型进行对比实验，其中YOLOv8s表现最佳。系统包含PyQt设计的登录/检测界面，支持图片/视频/摄像头检测功能，并集成MySQL数据库实现用户管理。实验数据显示各模型在精度、参数量和推理速度上的差异，为电力设施检测提供了多方案选择。项目配套完整的代码运行指南，包括数据集配置、Python
本文介绍了一个基于PyQt5开发的智能文件助手工具，可自动分类、检索和管理PDF/DOC等文档。工具采用LangChain+Chroma实现语义检索，集成SiliconFlow/OpenRouter等LLM提供AI能力，支持三种分类模式（后缀/语义聚类/混合AI）和RAG工作流。文章详细说明了环境配置、技术架构、功能模块和使用方法，包括Antiword安装指南和常见问题解答。该项目已开源，未来计划
