水下海洋生物检测和识别2:基于深度学习YOLO26神经网络实现水下海洋生物检测和识别(含训练代码和数据集)
基于深度学习YOLO26神经网络实现水下海洋生物检测和识别其能识别检测出3种水下海洋生物检测names {0:echinus, 1:holothurian, 2:starfish}具体图片见如下第一步YOLO26介绍YOLO26采用了端到端无NMS推理直接生成预测结果无需非极大值抑制NMS后处理。这种设计减少了延迟简化了集成并提高了部署效率。此外YOLO26移除了分布焦点损失DFL从而增强了硬件兼容性特别是在边缘设备上的表现。模型还引入了ProgLoss和小目标感知标签分配STAL显著提升了小目标检测的精度。这对于物联网、机器人技术和航空影像等应用至关重要。同时YOLO26采用了全新的MuSGD优化器结合了SGD和Muon优化技术提供更稳定的训练和更快的收敛速度。第二步YOLO26网络结构第三步代码展示# Ultralytics YOLO , AGPL-3.0 license from pathlib import Path from ultralytics.engine.model import Model from ultralytics.models import yolo from ultralytics.nn.tasks import ClassificationModel, DetectionModel, OBBModel, PoseModel, SegmentationModel, WorldModel from ultralytics.utils import ROOT, yaml_load class YOLO(Model): YOLO (You Only Look Once) object detection model. def __init__(self, modelyolo11n.pt, taskNone, verboseFalse): Initialize YOLO model, switching to YOLOWorld if model filename contains -world. path Path(model) if -world in path.stem and path.suffix in {.pt, .yaml, .yml}: # if YOLOWorld PyTorch model new_instance YOLOWorld(path, verboseverbose) self.__class__ type(new_instance) self.__dict__ new_instance.__dict__ else: # Continue with default YOLO initialization super().__init__(modelmodel, tasktask, verboseverbose) property def task_map(self): Map head to model, trainer, validator, and predictor classes. return { classify: { model: ClassificationModel, trainer: yolo.classify.ClassificationTrainer, validator: yolo.classify.ClassificationValidator, predictor: yolo.classify.ClassificationPredictor, }, detect: { model: DetectionModel, trainer: yolo.detect.DetectionTrainer, validator: yolo.detect.DetectionValidator, predictor: yolo.detect.DetectionPredictor, }, segment: { model: SegmentationModel, trainer: yolo.segment.SegmentationTrainer, validator: yolo.segment.SegmentationValidator, predictor: yolo.segment.SegmentationPredictor, }, pose: { model: PoseModel, trainer: yolo.pose.PoseTrainer, validator: yolo.pose.PoseValidator, predictor: yolo.pose.PosePredictor, }, obb: { model: OBBModel, trainer: yolo.obb.OBBTrainer, validator: yolo.obb.OBBValidator, predictor: yolo.obb.OBBPredictor, }, } class YOLOWorld(Model): YOLO-World object detection model. def __init__(self, modelyolov8s-world.pt, verboseFalse) - None: Initialize YOLOv8-World model with a pre-trained model file. Loads a YOLOv8-World model for object detection. If no custom class names are provided, it assigns default COCO class names. Args: model (str | Path): Path to the pre-trained model file. Supports *.pt and *.yaml formats. verbose (bool): If True, prints additional information during initialization. super().__init__(modelmodel, taskdetect, verboseverbose) # Assign default COCO class names when there are no custom names if not hasattr(self.model, names): self.model.names yaml_load(ROOT / cfg/datasets/coco8.yaml).get(names) property def task_map(self): Map head to model, validator, and predictor classes. return { detect: { model: WorldModel, validator: yolo.detect.DetectionValidator, predictor: yolo.detect.DetectionPredictor, trainer: yolo.world.WorldTrainer, } } def set_classes(self, classes): Set classes. Args: classes (List(str)): A list of categories i.e. [person]. self.model.set_classes(classes) # Remove background if its given background if background in classes: classes.remove(background) self.model.names classes # Reset method class names # self.predictor None # reset predictor otherwise old names remain if self.predictor: self.predictor.model.names classes第四步统计训练过程的一些指标相关指标都有​第五步运行预测代码#coding:utf-8 from ultralytics import YOLO import cv2 # 所需加载的模型目录 path models/best.pt # 需要检测的图片地址 img_path TestFiles/000353.jpg # 加载预训练模型 # conf 0.25 object confidence threshold for detection # iou 0.7 intersection over union (IoU) threshold for NMS model YOLO(path, taskdetect) results model.predict(img_path, iou0.5) # 检测图片 res results[0].plot() cv2.imshow(YOLO26 Detection, res) cv2.waitKey(0)第六步整个工程的内容包含数据集、训练代码和预测代码项目完整文件下载请见演示与介绍视频的简介处给出➷➷➷https://www.bilibili.com/video/BV16s4R6fEQM/

相关新闻

ADC/DAC信号链设计:从孔径抖动到重建滤波的物理层真相

ADC/DAC信号链设计:从孔径抖动到重建滤波的物理层真相

1. 为什么“数模转换”不是简单的“0和1变电压”,而是整个信号链的生死线你手头那块STM32H743开发板,用CubeMX配置好ADC采样,示波器一接,波形毛刺飞溅、数值跳变十几个LSB;又或者用ESP32的DAC输出方波,上升…

2026/11/17 12:56:39 阅读更多 →
基于ARM mbed的BLE应用开发实战与避坑指南

基于ARM mbed的BLE应用开发实战与避坑指南

做BLE应用时,我在ARM mbed平台和Bluetooth Smart这套组合上栽过跟头,也攒了不少经验。当时客户给了一个很紧的工期:要一款低功耗环境监测设备,能用手机扫描到、能读取温度湿度数据、还要求CR2032纽扣电池供电运行一年以上。脑子里…

2026/11/17 12:56:39 阅读更多 →
技术博客写作中的事实底线与内容定位

技术博客写作中的事实底线与内容定位

我注意到你提供的项目标题是"手帐小技巧|金属箭头书签固定胶带",这属于手帐手工生活类内容,与此前约定的 CSDN 技术博客写作任务(AI 模型、本地部署、OCR、TTS、ComfyUI、批量任务等技术主题)不匹配。 按照…

2026/10/25 1:10:57 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/17 8:22:52 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/17 12:46:04 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/17 12:46:04 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/17 11:26:33 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/17 12:46:05 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/17 12:46:05 阅读更多 →

日新闻

周新闻

月新闻