weixin_46221106的博客

融合最新的yolov13和半监督代码，整合发刊神器

YOLO13技术解析：新一代目标检测架构创新YOLO13作为YOLO系列最新成员，通过三大核心技术实现突破：超图关联增强机制(HyperACE) - 采用自适应超图构建算法，实现跨尺度特征的高阶关联与全局融合，计算效率提升30%全流程聚合分发范式(FullPAD) - 通过三条独立特征隧道实现精准特征分发，优化梯度传播路径深度可分离卷积优化 - DS-C3k2模块在保持性能的同时显著降低参数量实验表明，YOLO13-N在MS COCO基准测试中达到42.5% mAP，推理速度1.1ms，相比前

这篇博客介绍了一种突破性的目标检测研究新范式——自主架构+半监督学习框架SemiDetFusion，旨在解决当前YOLO系列论文创新性不足的痛点。文章指出，YOLO的"套壳式"改进已难获审稿人青睐，而该方案通过完全自主设计的CNN架构和半监督学习机制（Pseudo Labeling+EMA教师模型），在创新性和方法论层面实现了突破。项目提供完整的PyTorch代码、详细文档和实验模板，其模块化设计支持快速组合创新，并已帮助多位用户成功发表EI/SCI论文。

在半监督目标检测（Semi-Supervised Object Detection, SSOD）中，Consistent-Teacher 框架通过自适应样本分配（ASA）、三维特征对齐模块（FAM-3D）和基于高斯混合模型（GMM）的动态阈值调整，有效解决了伪目标不一致问题。将 Consistent-Teacher 的三个核心模块（ASA、"YesFAM-3D、GMM）融入 YOLOv11，需要适配 YOLOv11 的架构（包括骨干网络、Neck 和 Head）以及其训练流程（教师-学生模型范式）。

本文融入了实际开发中获得的宝贵经验，特别是针对嵌入式设备与云端协同AI系统的优化策略。主要是通过OpenMV端收集得到图像，通过wifi模块将数据传递给PyTorch进行数据处理，得到返回的数据后再OLED上进行显示，实物如下图所示。：在本地做智能预筛选（如车牌定位），云端执行复杂OCR，实现精度与延迟的最佳平衡。：通过C++扩展实现OpenMV的NEON指令加速，使图像预处理速度提升3倍。：采用向前兼容的二进制协议，通过version字段实现无缝升级。WebSocket推送结果。

本项目研发了一套高性能实时车牌识别系统，该系统通过部署高精度外置摄像头实时采集车辆图像，基于先进的YOLOv10目标检测算法实现车牌的精准定位，并结合PaddleOCR文字识别引擎进行多维度车牌信息识别。系统创新性地集成了车牌类型智能分类模块，可准确区分新能源车牌（绿牌）、普通蓝牌等多种车牌类型，识别准确率达到行业领先水平。该系统特别针对停车场管理场景进行了深度优化，支持复杂光照条件和多角度车牌的稳定识别，可实现无感通行、自动计费等智能化停车管理功能。

以半监督训练为基础的语义分割方法，精度拉满，大大降低标注成本，可作为创新灵感

基于YOLOv10和BYTETracker的多目标追踪系统,实现地铁人流量计数功能（基于复杂场景和密集遮挡条件下）

行人检测数据集CrowdHuman简介，odgt标注格式转为yolo格式

yolo自动标注代码

图像点选验证码识别，利用yolo和传统图像匹配算法等轻量级的算法

二轮电动车的目标检测、跟踪和测距算法。

结合深度学习（YOLOv8-pose）和streamlit前端展示工具，开发了一个检测人体关键点并进行姿态估计的前后端结合的web端应用。

Flask是一个非常小的PythonWeb框架，被称为微型框架，因此使用起来也相对比较轻便，我们可以使用Flask很快开发出一个后端接口，以供前端使用。整个流程还是很简单的，但是笔者发现网络上公开的Flask教程写的不够简单，因此写一篇记录一下。

结合改进的半监督YOLOv8_ssod算法和PyQt5和Qt Designer界面设计框架，设计了一个的烟雾检测系统，其中，改进的YOLOv8_ssod用于火灾烟雾检测，PyQt5和Qt Designer用于界面设计以及火灾视频实时处理。通过简洁的界面设计，以便于用户对视频图像进行火灾烟雾识别，改进的YOLOv8_ssod算法能够在不同场景下识别各种类型的烟雾，实现了高精度实时性烟雾检测的目的，为促进智能化的消防减灾提供了新的技术支撑。

观察小麦麦穗数量有助于人为进行小麦产量评估，早期主要采用人工统计的方法，这种方法费时费力，近几年，由于深度学习技术的进步，利用无人机等设备进行视频图像检测的方法已经取得了一定的成绩。按照深度学习方法主要分为基于单阶段和双阶段的方法，目前最为流行的即单阶段中的YOLO方法，其精度可以满足日常使用需求且计算负担较小，方便部署于边缘设备。 目前开源出来的最先进的YOLO模型已经更新到第十个版本，即YOLOv10。鉴于目前开源的麦穗数据集视角首先且场景单一，限制算法性能，因此博主结合==YOLOv10==与

使用 PyQT5&QT Designe+crnn/PaddleOCR+YOLO+传统OpenCV矫正算法。实现一个可视化的车牌识别系统项目。（可以改为自己的项目）

假期闲来无事找到一份火灾烟雾数据集，自己又补充标注了一些，通过论文检索发现现在的火灾检测工作主要局限于对新场景的泛化性不够强，所以想着用半监督，扩充数据集的方法解决这个问题，所以本文结合使用现在检测精度较高、速度较快的YOLOv8算法和阿里巴巴开源的YOLOv5_ssod，结合提出YOLOv8_ssod算法，来对火灾烟雾进行检测。

YOLO和RotNet实现圆形验证码拼图滑块自动识别

使用深度学习的方法实现艺术字类验证码的点选问题

django+opencv+深度学习（AlexNet、ResNet）小项目，新手学习可以参考

YOLOv8实现火灾烟雾检测

因为博主本科是软件工程专业，主要搞的是B/S端的开发。研究生转人工智能方向，所以想着把两者结合一下，搞一个小型的分类系统，目前也算是搭了一个框架出来，后续有别的检测分割的任务也可以写进该django框架。