一、代码功能:

检测任务：基于 YOLOv10 的篮球场景的改进YOLOv5工作，在骨干与特征融合替换的同时控制模型规模，为边缘侧

检测类别：支持 3 类（中英文对照）：ball（球） / foot（脚） / person（人）

数据集总量：内置 3072 张篮球场景的改进YOLOv5工作，在骨干与特征融合替换的同时控制模型规模，为边缘侧标注数据集

数据集划分：训练集 2541 张，验证集 364 张，测试集 167 张

输入方式：支持图片、视频、浏览器摄像头三种输入源，浏览器端实时显示检测框与置信度

系统架构：采用 Flask + Flask-SocketIO 后端推理，配套 HTML / CSS / JS Web 界面，支持一键启动可视化演示

结果输出：检测结果支持 CSV 导出，支持保存带框图片 / 视频，支持写入 SQLite 数据库存档

用户功能：有登录注册界面，也可以不启用登录注册

权重管理：支持在线上传与切换 YOLO 模型权重，方便对比不同版本效果

二、详细教程:

原理介绍博客: [Gitee项目](https://gitee.com/deeppython/TomatoRipenessDet)

项目详细说明文档: [https://deeppython.feishu.cn/wiki/YKX2wrGjBi2xjrkjqr0cMawHnRh](https://deeppython.feishu.cn/wiki/YKX2wrGjBi2xjrkjqr0cMawHnRh?from=from_copylink)

功能效果展示视频: [https://www.bilibili.com/video/BV1Ro2sBVEW7/](https://www.bilibili.com/video/BV1Ro2sBVEW7/?from=from_copylink)

环境配置博客教程: （1）[Pycharm以及Anaconda安装](https://deepcode.blog.csdn.net/article/details/136639378)；（2）[Python环境配置教程](https://deepcode.blog.csdn.net/article/details/136639396)；

注意事项：版权所有，禁止盗卖或用于商业化用途。