- 综合排序
- 最热优先
- 最新优先
- 来自专栏Sentieon：文献解读
犬类癌症检测（CANDiD）研究：使用独立测试集对1000多只犬进行基于高通量测序的多癌种早期检测液体活检血液测试的临床验证
over 1,000 dogs using an independent testing set: The CANcer Detection in Dogs (CANDiD) study 标题（中文）：犬类癌症检测 文献讨论 这项研究首次大规模验证了基于NGS的液体活检技术在犬类多癌种检测中的应用。结果显示该方法具有高特异性和中等敏感性，尤其对侵袭性强的癌症类型检测效果更佳。 研究发现这种技术能在症状出现前数月检测到癌症，但对早期小型肿瘤的检测仍有局限。研究者提出了几种改进方法，并指出该技术在犬类癌症筛查中具有潜力，同时对人类癌症研究也有启发。 总结 这项研究首次在大规模独立测试集上验证了基于NGS的液体活检在犬类多癌种检测中的应用。该方法具有很高的特异性，可以作为一种新的无创癌症筛查和辅助诊断工具。 通过早期发现癌症，有望改善犬类癌症的诊断和管理模式。尽管在早期小肿瘤的检测方面仍有改进空间，但其在检测侵袭性和晚期癌症方面的出色表现为未来的研究和应用开辟了新的途径。
48910编辑于 2024-12-16 基于yolov8深度学习的120种犬类检测与识别系统python源码+onnx模型+评估指标曲线+精美GUI界面目标检测狗类检测犬类识别系统
【算法介绍】 基于YOLOv8深度学习的120种犬类检测与识别系统是一款功能强大的工具，该系统利用YOLOv8深度学习框架，通过21583张图片的训练，实现了对120种犬类的精准检测与识别。 该系统基于Python与PyQt5开发，具有简洁的UI界面，支持图片、视频以及摄像头三种方式进行目标检测，并能够将检测结果进行保存。 在检测过程中，系统能够实时显示目标位置、目标总数、置信度以及用时等信息，为用户提供直观、清晰的检测结果。 该系统在多个领域具有广泛的应用价值。 在公共安全领域，警方和安保人员可以利用它快速识别搜救犬、警犬以及潜在的威胁性狗类，提高工作效率和响应速度。 总之，基于YOLOv8深度学习的120种犬类检测与识别系统是一款高效、准确、易用的工具，它的出现将极大地推动犬类检测与识别技术的发展，为多个领域带来便利和价值。
24200编辑于 2025-07-22犬面部检测数据集VOC+YOLO格式987张1类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
24610编辑于 2025-09-09犬眼部疾病检测数据集VOC+YOLO格式6364张4类别有增强
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
23510编辑于 2025-07-17狗狗未带护具犬未带护具检测数据集VOC+YOLO格式2194张3类别
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
13000编辑于 2025-07-17犬鼻子检测数据集VOC+YOLO格式6808张1类别近距离拍摄
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)
7700编辑于 2025-07-17- 来自专栏智药邦
CDK9抑制剂与癌症治疗
最近CDK9成为癌症治疗药物开发的炙手可热的可药性靶点。CDK9介导的短存活抗凋亡蛋白的转录调控对于转基因细胞的生存至关重要。 临床上用于治疗癌症的CDK抑制剂 CDKs是Ser/Thr激酶亚家族的成员。细胞周期蛋白类是与CDK结合的调节亚基，导致激酶的激活。 现就近年来利用RNAi方法与小分子抑制剂一起界定CDK9在癌症中作用的研究进行综述。 Gran实验室通过化合物(8)和显性负性CDK9对胶质母细胞瘤细胞系(T98G)进行基因表达谱检测，以确定CDK9抑制的差异效应。 针对这一问题，为提高选择性，一系列8的类似物被合成出来，并在无细胞和基于细胞的检测中进行了评价(表3)。
2.2K10编辑于 2022-06-08 - 来自专栏ATYUN订阅号
人工智能检测癌症仍需谨慎对待
癌症的危害 戴尔医学院皮肤科医生兼助理教授阿德沃尔·阿达姆森（Adewole Adamson）在接受《边缘》杂志采访时说：“社会上有一种观点，认为发现更多的癌症总是更好的，但事实并非总是如此。”。 “我们的目标是发现更多的癌症，这些癌症实际上会导致死亡。”但问题是“癌症的构成没有黄金标准。” 正如研究发现的，你可以向一组医生展示同样的早期病变，并得到关于能否确诊为癌症的完全不同的答案。 首先，该公司的研究人员训练了他们的图像算法来确定是否是癌症。但是，由于没有癌症诊断的固定标准，特别是早期癌症，这样的训练数据是否提供了一个良好的基线是有争议的。 其次，谷歌的算法只能产生二元结果：是的，是癌症，或者不是。正如阿达姆森在最近的一篇论文中所说，医疗检测需要有不确定性的空间，第三种选择代表诊断的灰色区域，延长诊断时间，而不是结束辩论。 2017，谷歌大脑的联合创始人Andrew Ng在评论一种用X射线检测肺炎的算法时重复了这一点：“放射科医师应该担心他们的工作吗？””
55820发布于 2020-02-21 基于yolov8的狗狗未带护具犬类未带护具检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
为大型犬佩戴护具意义重大，它不仅能防止犬只伤人、减少吠叫对居民的干扰，更是维护市民人身安全、塑造城市文明形象的关键举措。 因此，如何快速精准地检测大型犬是否佩戴护具，成为城市宠物管理智能化升级的关键突破点。 传统的大型犬护具检测方式主要依赖人工巡检，但这种方式效率低下、覆盖范围有限，难以满足城市大规模、高密度宠物管理的需求，且易受环境光线、犬只状态及巡检人员主观判断的影响，出现漏检或误判。 而基于YOLOv8的大型犬未带护具检测算法与系统应运而生，为城市宠物智能管理带来了创新解决方案。该算法凭借深度学习强大的图像识别能力，能快速处理海量监控视频数据，精准识别大型犬及其护具佩戴状态。 【效果展示】 【测试环境】 windows10 anaconda3+python3.8 torch==2.3.0 ultralytics==8.3.81 【模型可以检测出3类别】 ["dangerousdog
10900编辑于 2025-07-17- 来自专栏Python基础、进阶与实战
Python基础-9 类
9. 类 类中的概念比较多，初学者掌握面向对象、定义和使用类、单继承、类变量和实例变量即可。迭代器和生成器是Python中迭代利器，推荐掌握。 9.2 定义与使用类 class 最简单的定义类的语法： class 类名: 一些函数、语句 通常，我们使用初始化函数定义类的属性，并定义一些功能函数实现类的功能。 当构造类对象时，基类会被记住。此信息将被用来解析属性引用：如果请求的属性在类中找不到，搜索将转往基类中进行查找。如果基类本身也派生自其他某个类，则此规则将被递归地应用。 带有多个基类的类定义语句如下所示: class 派生类(基类1, 基类2, 基类3): 一些语句 #需要用 基类1.方法 来调用基类方法 例如： class A: def __init 9.4 类变量与实例变量 类中有两种变量：实例变量和类变量。 实例变量属于实例，每个实例单独拥有， 类变量属于类， 类的所有实例共享。
61650编辑于 2022-12-06 垃圾检测数据集VOC+YOLO格式6459张9类别
jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6459 标注数量(xml文件个数)：6459 标注数量(txt文件个数)：6459 标注类别数：9
28410编辑于 2025-07-17- 来自专栏大数据文摘
远离癌症并不难: 再谈肿瘤检测与精准医疗
遗传性肿瘤是由特定致病基因突变导致，且具有家族聚集性的一类疾病，约占癌症的5%~10%，包括胃癌、黑色素瘤、结直肠癌、乳腺癌、卵巢癌等。 根据WHO报告，透过健康的生活方式，如戒烟、戒酒，运动和均衡饮食习惯，以及有效运用现有的医疗设施，如定期筛检和早期检测，至少有一半以上的癌症是可以预防或避免的。 ——奥巴马 提到“定期筛检和早期检测”，就自然会想到“精准医疗”一词。 基因检测技术起源于美国，临床应用已经长达30多年。在国内，华大基因可通过基因检测早期筛查乳腺癌、卵巢癌。 并以此结果为依据，由专业的遗传咨询师给出相应的风险管理方案，做到癌症未病先防。 进一步了解一次可检测508个肿瘤相关基因、解读88种肿瘤药物的肿瘤基因检测服务, 请查询华大基因的OseqTM-T。
69530发布于 2018-05-21 将yolov9封装成类几句代码实现目标检测任务
【框架地址】 https://github.com/WongKinYiu/yolov9 【yolov9简介】 YOLOv7原作者出手，YOLOv9的性能依旧时一枝独秀： YOLOv9架构图 YOLOv9 的整体架构图如下（根据YOLOv9.yaml绘制）： YOLOv9改进点一览 YOLOv9从可逆函数角度理论上分析了现有的CNN架构，基于这种分析，YOLOv9作者还设计了PGI和辅助可逆分支，并取得了优秀的结果 ，同时展现出轻量级、快速和精确的巨大优势； 基于所提出的PGI和GELAN，YOLOv9在MS COCO数据集上的性能在所有方面都大大超过了现有的实时目标检测器。 GELAN模块 YOLOv9提出了新网络架构——GELAN。 2D检测的新宠。
30810编辑于 2025-07-17钻头缺陷检测数据集VOC+YOLO格式1969张9类别
仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1969 标注数量(xml文件个数)：1969 标注数量(txt文件个数)：1969 标注类别数：9
27410编辑于 2025-07-17岩石种类检测数据集VOC+YOLO格式4766张9类别
jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：4766 标注数量(xml文件个数)：4766 标注数量(txt文件个数)：4766 标注类别数：9
34510编辑于 2025-07-16- 来自专栏用户2442861的专栏
Qt 常用类 （9）—— QWidget
http://blog.csdn.net/hmsiwtv/article/details/7562015 QWidget 类代表一般的窗口，其他窗口类都是从 QWidget 类继承出来的 而 QWidget 类则同时继承了 QObject 类 和 QPaintDevice 类，也就是说，窗口类都是 Qt 对象类。 这里的 QPaintDevice 类则是所有可绘制的对象的基类。 常用窗口类的继承关系如图所示： ? 9）Qt::WindowCloseButtonHint：显示关闭按钮。 QWheelEvent 类代表滚轮事件，它有一套与 QMountEvent 类几乎相同的成员函数，但少一个 button 函数，多以下两个函数： [plain] view plaincopy int
4.4K10发布于 2018-09-20 稻谷叶子虫害检测数据集VOC+YOLO格式1566张9类别
jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1566 标注数量(xml文件个数)：1566 标注数量(txt文件个数)：1566 标注类别数：9 DMP1 框数 = 250 DMP2 框数 = 452 DMP3 框数 = 151 总框数：1951 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：这个是稻叶上害虫检测数据集 ，稻叶上害虫有9种 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 部分害虫例子： 下载地址： https://download.csdn.net/download
15800编辑于 2025-07-20马铃薯叶子病害检测数据集VOC+YOLO格式1332张9类别
仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1332 标注数量(xml文件个数)：1332 标注数量(txt文件个数)：1332 标注类别数：9
22400编辑于 2025-07-16内窥镜工业缺陷检测数据集VOC+YOLO格式2320张9类别
jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2320 标注数量(xml文件个数)：2320 标注数量(txt文件个数)：2320 标注类别数：9
20000编辑于 2025-07-15- 来自专栏机器学习算法工程师
《机器学习》笔记-聚类（9）
章节目录 聚类任务 性能度量 距离计算 原型聚类 密度聚类 层次聚类 1 聚类任务 在无监督学习中（unsupervised learning）中，训练样本的标记信息是未知的，目标是通过对无标记的训练样本的学习来揭示数据的内在性质及规律 4 原型聚类 原型聚类亦称”基于原型的聚类“（prototype-based clustering），此类算法假设聚类结构能通过一组原型刻画，在现实聚类任务中极为常用。 高斯混合聚类 与k均值、LVQ用原型向量来刻画聚类结构不同，高斯混合（Mixture-of-Gaussian）聚类采用概率模型来表达聚类原型。 5 密度聚类 密度聚类亦称“基于密度的聚类”（density-based clustering），此类算法假设聚类结构能通过样本分布的紧密程度确定。 通常情况下，密度聚类算法从样本密度的角度来考察样本之间的可连接性，并基于可连接样本不断扩展聚类簇以获得最终的聚类结果。DBSCAN是一种著名的密度聚类算法。
59450发布于 2018-06-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号