月月鸟的案例列表
YOLO11 小目标检测优化
基于 TT100K 交通标志数据集完成小目标检测算法优化，负责数据分析、模型训练、问题定位、消融实验、网络结构改进及结果评估等完整流程。 首先对数据集长尾分布、类别频率与检测性能进行统计分析，定位 YOLO11n 在稀有类别和小目标场景下的性能瓶颈；进一步针对 CBAM、EMA 等注意力机制进行消融实验，发现其会导致 Recall 明显下降，并据此将优化方向转向高分辨率特征表示。 在 YOLO11n 基础上增加 P2 高分辨率检测尺度，用于增强小目标特征表达。在仅增加约 7.7% 参数量的情况下，验证集 mAP50 从 0.289 提升至 0.609，提升约 110.7%，Reca
激光光斑高精度检测与定位
基于 Python/OpenCV 完成复杂光照场景下的激光光斑阵列检测与亚像素级坐标定位，实现图像预处理、自动阈值选择、光斑聚类、阵列排序、误差评估、结果可视化及结构化数据导出的完整处理流程。 针对光斑亮度差异、背景噪声、密集粘连及误检问题，采用通道加权、Gaussian 滤波与自适应阈值分割增强目标特征，并根据亮像素比例和聚类质量通过二分搜索自动调整阈值；结合 DBSCAN 聚类、直线交点定位、双向最近邻匹配及几何约束，实现 7×7 光斑阵列的稳定识别和坐标输出。 建立 Precision、Recall、平均定位误差、最大误差及误差方差等多维评价体系，最终检测 Precision
案例判断参考
月月鸟的案例列表
YOLO11 小目标检测优化
基于 TT100K 交通标志数据集完成小目标检测算法优化，负责数据分析、模型训练、问题定位、消融实验、网络结构改进及结果评估等完整流程。 首先对数据集长尾分布、类别频率与检测性能进行统计分析，定位 YOLO11n 在稀有类别和小目标场景下的性能瓶颈；进一步针对 CBAM、EMA 等注意力机制进行消融实验，发现其会导致 Recall 明显下降，并据此将优化方向转向高分辨率特征表示。 在 YOLO11n 基础上增加 P2 高分辨率检测尺度，用于增强小目标特征表达。在仅增加约 7.7% 参数量的情况下，验证集 mAP50 从 0.289 提升至 0.609，提升约 110.7%，Reca...
激光光斑高精度检测与定位
基于 Python/OpenCV 完成复杂光照场景下的激光光斑阵列检测与亚像素级坐标定位，实现图像预处理、自动阈值选择、光斑聚类、阵列排序、误差评估、结果可视化及结构化数据导出的完整处理流程。 针对光斑亮度差异、背景噪声、密集粘连及误检问题，采用通道加权、Gaussian 滤波与自适应阈值分割增强目标特征，并根据亮像素比例和聚类质量通过二分搜索自动调整阈值；结合 DBSCAN 聚类、直线交点定位、双向最近邻匹配及几何约束，实现 7×7 光斑阵列的稳定识别和坐标输出。 建立 Precision、Recall、平均定位误差、最大误差及误差方差等多维评价体系，最终检测 Precision...
