YOLO26优化：CVPR2026 IRA | IRA块注入YOLO，倒残差注意力专治低对比度缺陷，小目标AP暴涨

本文介绍了一个基于YOLO11算法的柑橘果实检测系统，旨在解决传统人工分拣效率低、误差率高的问题。该系统采用YOLO11目标检测网络，通过创新的C3k2模块、轻量化解耦检测头等技术，显著提升了检测精度和速度。数据集包含1210张标注图像，训练后模型达到95%以上的平均精度，可实时识别柑橘位置、数量及表面状态。系统支持嵌入式设备部署，适用于果园采摘机器人、分选流水线等场景，为智慧农业提供高效的技术解决方案。配套源码、模型权重和数据集已打包提供，便于复现与二次开发。

LowerIncisalincision（下中切牙切缘点） 占有图片数 = 1571。UpperIncisalincision（上中切牙切缘点） 占有图片数 = 1571。PosteriorNasalSpine（后鼻棘） 占有图片数 = 1571。AnteriorNasalSpine（前鼻棘） 占有图片数 = 1571。Subspinale（上齿槽前点/前鼻棘下点） 占有图片数 = 1571。Supramentale（颏上点） 占有图片数 = 1571。

将数据集划分为训练集、测试集、验证集。训练集：验证集：测试集=8：1：1。包含图片信息和标注的object信息（坐标、类别)在ultralytics/datasets/下新建。参数需要传入你想要预测的图片或者视频或者文件夹。，主函数中只能同时运行一个，其余代码需要注释掉。：这个文件里保存了我们模型训练的所有超参数。，保存，然后继续下一张，直到标注完成。快捷键w进行标注，输入标签名，比如说。参数需要传入数据集对应的yaml文件。YOLO格式标签生成的是txt文件。打开数据集文件进行标注。

地平线BPU部署核心:1. BPU是CNN专用加速器, 不是通用NPU2. 天工开物工具链是必经之路3. YOLOv8适配关键: C2f拆解 + 检测头简化4. 混合精度: backbone INT8 + head FP165. 能效比是BPU的最大优势(32-39 FPS/W)选型建议: 追求能效选地平线, 追求生态选Jetson地平线BPU在能效比上有着显著优势，特别适合对功耗敏感的边缘场景。理解BPU的架构特性，做好YOLOv8的算法适配，就能在3W功耗下实现100+FPS的实时检测。

本项目基于 YOLOv8 实现口罩佩戴状态检测，已从原 PyQt6 桌面程序扩展为本机 Web 系统。系统支持图片识别、视频识别、浏览器摄像头识别、检测历史、模型管理和训练指标查看。

yolov11 obb数据集准备说明

YOLOv11 TensorRTX（TensorRT C++） vs ONNX Runtime 速度对比(AI总结)

YOLO26中的语义分割

Abstract:This dataset adopts the YOLO annotation format and contains 1,420 tomato images. It is divided into training, validation, and test sets at a ratio of 7:2:1. The dataset is used for training and evaluating tomato ripeness detection models for four

自定义算子 vs 算子替换:场景 推荐方案NPU不支持, 有等价替代 算子替换NPU不支持, 无等价替代 自定义算子NPU支持但效率极低(<30%) 自定义算子精度要求极高(<0.1%损失) 自定义算子平台独有优化(如depthwise) 自定义算子YOLOv26N中可能需要自定义的算子:├─ DFL (Distribution Focal Loss): Softmax+卷积组合├─ 自定义激活函数 (如Mish, FReLU)├─ 注意力机制 (如CBAM, ECA)

铝合金作为现代工业中应用最广泛的金属材料之一，被大量应用于航空航天、汽车制造、建筑装饰、电子产品外壳等领域。在铝合金型材的生产过程中，由于原材料质量、加工工艺、环境因素等多方面原因，型材表面不可避免地会出现各种瑕疵，如擦花、漏底、桔皮、碰伤、涂层开裂等。这些表面缺陷不仅影响产品的美观性，更严重的是会降低产品的力学性能、耐腐蚀性能和使用寿命，直接关系到产品的质量安全和市场竞争力。传统的铝合金表面瑕疵检测主要依赖人工目视检查。

它利用 YOLOv8 实时检测画面中的人员，一旦发现入侵者，立即通过邮件发送带有人形标注的现场照片；在放假回家的时候，我总是担心有没有人偷偷进我出租屋，手头正好有一台带摄像头的笔记本电脑闲置在出租屋；建议使用虚拟环境（可选），然后搭建YOLOv8环境（或者其他版本的YOLO），yolo环境搭建过程这里就不细说了，但这是必需的。A：确认发件人邮箱和授权码是否正确，授权码不是登录密码。程序启动后，会弹出摄像头实时画面窗口，并显示运行时间、检测统计、下次自检倒计时等信息。模型文件，请保持网络通畅。

数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注类别名称(注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准):["Healthy","Pest"]Healthy（健康） 占有图片数 = 1398。Pest（有虫害叶子） 占有图片数 = 513。图片数量(jpg文件个数)：1911。标注数量(xml文件个数)：1911。标注数量(txt文件个数)：1911。

无人机河湖库区水域智能巡检数据集｜水边垂钓溺水风险船只AI识别、水利安全预警YOLO深度学习标注资源10436期

damaged_missing_manhole_covers（井盖损坏/缺失） 占有图片数 = 65。damaged_missing_manhole_covers（井盖损坏/缺失） 框数 = 70。damaged_hazard_marker（危险警示标志损坏） 占有图片数 = 9。damaged_crash_barrier（防撞护栏损坏） 占有图片数 = 59。damaged_road_stud（路钮/道钉损坏） 占有图片数 = 34。

YOLO边缘部署核心链路:训练 → 导出ONNX → 量化(INT8) → 编译(NPU引擎) → 推理优化每个环节都有5-10个优化点，累积起来性能差距可达10xNPU适配的关键是理解目标平台的算子支持和内存模型先跑通，再优化——不要一上来就追求极致边缘YOLO部署不是一个"导出-运行"的过程，而是一个系统工程。从模型选型到量化策略，从算子适配到推理优化，每一步都需要深入理解。掌握这些，你就能在任何边缘设备上部署高性能的YOLO推理。

Abstract: With the rapid development of smart agriculture, intelligent detection of crop maturity has become an important research direction in precision agriculture. This paper designs and implements an intelligent tomato ripeness detection system based o

​带标注的表情情绪数据集，可识别8种情绪表情，识别率93.1%，875张图，支持yolo，coco json，voc xml,文末有模型训练代码。