YOLO11系列是YOLO家族中最先进的(SOTA)、最轻量级、最高效的模型，其表现优于其前辈。它由Ultralytics创建，该组织发布了YOLOv8，这是迄今为止最稳定、使用最广泛的YOLO变体。YOLO11将延续YOLO系列的传奇。在本文中，我们将探讨YOLO11文章目录YOLO11架构、YOLO11

基于YOLO11的绝缘子缺陷检测系统 (价格95)包含  ['自爆','破损','闪络']   3个类通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。（该系统可以根据数据训练出的yolo11的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界面

基于YOLO11的草莓成熟度检测系统 (价格95)包含 ['成熟','半成熟','未成熟']  3个类通过PYQT构建UI界面，包含图片检测，视频检测，摄像头实时检测。（该系统可以根据数据训练出的yolo11的权重文件，运用在其他检测系统上，如火焰检测，口罩检测等等，可以根据检测目标更改UI界

一、所需软件Anacoda和Pycharm1.Anacoda建议用清华大学的源进行安装。Indexof/anaconda/archive/|清华大学开源软件镜像站|TsinghuaOpenSourceMirror2.Pycharm安装比较简单，自行安装即可。二、创建虚拟环境建议先换源。condaconfig--remove-keychannelscon

《------往期经典推荐------》一、AI应用软件开发实战专栏【链接】项目名称项目名称1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】3.【手势识别系统开发】4.【人脸面部活体检测系统开发】5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】7.

YOLOv11目标检测创新改进与实战案例专栏文章目录：YOLOv11创新改进系列及项目实战目录包含卷积，主干注意力，检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLOv11目标检测创新改进与实战案例文章目录YOLOv11目标检测创新改进与实战案例专栏前言本

YOLOv11目标检测创新改进与实战案例专栏文章目录：YOLOv11创新改进系列及项目实战目录包含卷积，主干注意力，检测头等创新机制以及各种目标检测分割项目实战案例专栏链接:YOLOv11目标检测创新改进与实战案例文章目录YOLOv11目标检测创新改进与实战案例专栏介绍

1训练YOLO11模型准备训练数据mkdirdatasets&&cddatasetswgethttps://ultralytics.com/assets/coco128.zipunzipcoco128.zipcd..准备预训练模型mkdirweights&&cdweightswgethttps://github.com/ultralytics/assets/releases/download/v8.3.0/yolo

《YOLO11改进有效涨点》介绍&目录 本专栏专为希望提升检测效果、改进YOLO11并撰写论文的同学们而设，内容紧跟学术界的热点与YOLO11官方项目的最新动态。主要聚焦前沿方法，改进方案适用于分类、目标检测、语义分割、目标追踪和关键点检测等多种主流任务。改进后的算法可应

课程链接：YOLO11：从0开始搭建环境进行模型训练_哔哩哔哩_bilibili《YOLO11：从0开始搭建环境进行模型训练》课程致力于帮助学生实战YOLO11目标检测算法。常心老师将手把手带领大家从0开始搭建YOLO11环境，带领大家排坑、避坑、填坑。本课程将进行数据集打标、格式转化、模型训练、

《博主简介》小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~

    

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。原文链接：实战|YOLO11自定义数据集训练实现缺陷检测(标注+训练+预测保姆级教程)导 读   本文将手把手教你用YOLO11训练自己的数据集并实现缺陷检测。安装环境YOLO11的介绍和使用这里不再赘

本文来源公众号“江大白”，仅用于学术分享，侵权删，干货满满。原文链接：跨界融合创新，基于YOLO11和Ollama的增强OCR文本识别导读本文介绍一种通过自定义YOLOv11和EasyOCR，结合Ollama优化OCR效果的方法，解决了传统OCR在复杂图像中的识别难题，显著提高了准确性，为高精度文本提取提供了有

秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转

 秋招面试专栏推荐 ：深度学习算法工程师面试问题总结【百面算法工程师】——点击即可跳转

 

                   本篇文章将介绍一个新的改进机制——NonLocalBlockND，并阐述如何将其应用于YOLOv11中，显著提升模型性能。首先，我们将解析NonLocalBlockND的工作原理，非局部注意力机制NonLocalBlockND通过在全局范围内捕捉特征图中所有位置的相互关系，提升

 

  

1.exportonnx,opset我设置的是12，其它值或许也可以2.opencv使用的4.10【其他版本或许也可以，4.7.0版本是不行的】3.代码核心参考yolo之前版本的实现即可。 model.setInput(blob);model.forward(outputs,outnames);constintdimensions=84;constintrows=