本项目基于YOLOv8深度学习框架，开发了一套高效、准确的肺炎智能检测系统，用于医学影像（如X光或CT扫描）中的肺炎识别。系统针对单类别（'Pneumonia'肺炎）进行优化，采用包含3,772张训练图像、539张验证图像和1,078张测试图像的数据集进行训练和评估。该系统能够快速、自动地识别肺炎病变，辅助医生进行诊断，提高医疗检测效率，减少漏诊和误诊风险。

葡萄是全球广泛种植的水果，但其生长过程中容易受到多种病害的侵袭，如Black_rot（黑腐病）、Esca（葡萄蔓枯病）等。这些病害会严重影响葡萄的产量和品质。传统的病害检测方法依赖于人工观察，效率低且容易漏检。基于深度学习的目标检测技术可以自动识别葡萄叶病害，帮助种植户及时采取防治措施，减少经济损失。本项目利用YOLOv10（You Only Look Once version 10）目标检测算法

本项目基于先进的YOLOv8目标检测算法，开发了一个专门针对车辆和行人检测的智能视觉系统。系统采用深度学习技术，使用包含5607张标注图像的数据集（其中训练集4485张，验证集1122张）进行模型训练，能够实时准确地识别场景中的"person"（行人）和"car"（车辆）两类目标。该系统实现了较高的检测精度和实时性能，可广泛应用于智能交通监控、自动驾驶辅助、智慧城市建设等多个领域。项目通过数据增强

无人机技术在安防监控、灾害救援、交通管理等领域得到了广泛应用。然而，在夜间或低能见度环境下，传统的可见光摄像头难以有效捕捉目标，而红外成像技术能够通过热辐射信息清晰地呈现目标，成为解决这一问题的关键技术。目标多样性：车辆和行人的形状、大小、姿态各异，增加了检测难度。环境复杂性：红外图像中可能存在噪声、遮挡、背景干扰等问题。实时性要求：无人机应用场景通常需要实时检测，对算法的速度和精度提出了更高要求

本项目基于YOLOv10深度学习框架，开发了一套高效精准的车辆行人联合检测系统，能够实时检测并区分场景中的行人（person）和车辆（car）两类目标。系统采用优化的YOLOv10网络结构，结合针对复杂交通场景的数据增强策略，在保持高检测速度的同时显著提升了检测精度，特别是对小尺度行人和车辆的识别能力。数据集包含5,607张高质量标注图像（训练集4,485张，验证集1,122张），涵盖城市街道、十

本项目基于YOLOv8目标检测算法开发了一套高效的手语识别系统，专门用于识别美国手语字母表(A-Z)中的26个字母手势。系统采用深度学习技术，通过504张训练图像、144张验证图像和72张测试图像构建的数据集进行模型训练与优化。该系统能够实时检测和分类手语手势，将视觉手势转化为对应的字母输出，为手语使用者与非手语使用者之间搭建沟通桥梁。实验结果表明，该系统在测试集上达到了较高的识别准确率，展现了Y

本项目基于YOLOv8目标检测算法开发了一套超市空货架智能识别系统，专门用于检测超市货架上的缺货状态（Out-of-Stock，简称OOS）。系统以"100-O-O-S"作为唯一检测类别，通过对货架图像的实时分析，能够准确识别并定位缺货区域。项目数据集经过数据增强和模型优化，实现了较高的检测精度。该系统可集成到超市现有的监控体系中，为库存管理和补货决策提供实时数据支持，有效提升零售运营效率。

风力发电是清洁能源的重要组成部分，而风力叶片是风力发电机的核心部件。由于长期暴露在恶劣环境中，风力叶片容易出现多种缺陷，如burning（烧蚀）、crack（裂纹）、deformity（变形）、dirt（污垢）、oil（油污）、peeling（剥落）、rusty（锈蚀）等。这些缺陷会影响叶片的性能，甚至导致风力发电机故障。传统的检测方法依赖于人工巡检，效率低且存在安全隐患。基于深度学习的目标检测技

项目背景铁轨轨道的健康状况直接关系到铁路运输的安全性和效率。传统的轨道缺陷检测方法主要依赖人工巡检或专用检测设备，效率低且成本高。随着计算机视觉和深度学习技术的发展，基于图像的目标检测方法逐渐成为轨道缺陷检测的研究热点。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于YOLOv10模型，旨在开发一个能够自动检测铁轨轨道缺陷的系统，

本系统基于YOLOv10模型，专门设计用于检测和识别10类常见的农业害虫。army worm（粘虫）legume blister beetle（豆芫菁）red spider（红蜘蛛）rice gall midge（稻瘿蚊）rice leaf roller（稻纵卷叶螟）rice leafhopper（稻飞虱）rice water weevil（稻水象甲）wheat phloeothrips（麦蓟马）