ui标签_AI Agent技术社区

ui

AgentScope Java 2.0 协议集成全景解析：A2A、AG-UI、Agent Protocol 三大开放协议实战指南

2025 年 4 月，Google 发布 A2A（Agent-to-Agent）协议；2025 年 5 月，CopilotKit 团队推出 AG-UI（Agent-User Interaction Protocol）。AI Agent 生态正在经历从"各自为政"到"协议互通"的关键转变。语言栈多样化：核心业务团队用 Java/Go，算法团队用 Python，跨语言协同困难框架碎片化：LangCha

mqiqe
2026-08-25 14:56:56

 589

 12

#java #ui #开发语言
实战技巧：利用Agent的UI录制功能搞定老旧系统的自动化——企业级端到端智能自动化深度解析

本文探讨了企业数字化转型中老旧系统(Legacy Systems)的智能化改造方案。随着AI Agent技术发展，基于UI录制的非侵入式自动化成为解决数据孤岛问题的有效手段，可避免高昂的系统重构成本。文章对比分析了实在Agent、微软Power Automate和UiPath三大主流方案的技术特点，详细阐述了从坐标录制到语义映射、状态监测驱动执行等核心技术路径，并指出需满足UI可访问性、环境稳定性

 企业Agent落地
2026-08-21 11:05:13

 239

 6

#ui #自动化 #运维 +1
基于深度学习YOLOv11的冰箱内部食物检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本项目基于YOLOv11深度学习模型，开发了一套冰箱内部食物检测系统，能够识别30类常见食物，包括水果（如苹果、香蕉）、蔬菜（如胡萝卜、土豆）、肉类（如牛肉、鸡肉）、乳制品（如牛奶、奶酪）等。系统采用YOLOv11目标检测算法，结合定制化的YOLO数据集（训练集2896张、验证集103张、测试集51张），实现了高精度的食物检测与分类。

网络爬虫大揭秘
2026-02-23 12:23:09

 638

 10

#深度学习 #ui #人工智能 +1
基于深度学习的杂草检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本项目使用YOLO（You Only Look Once）目标检测算法进行特定杂草的自动识别，目标是通过计算机视觉技术识别并定位农田中的“0 ridderzuring”杂草，从而帮助农业自动化管理。杂草的及时识别与处理对于提高农业生产效率、保护农作物生长环境至关重要。YOLOv10，作为一种高效的目标检测算法，能够以较高的精度和速度检测出不同种类的目标，因此在农业领域得到了广泛应用

 BQAIT
2026-02-24 13:38:33

 704

 27

#深度学习 #ui #目标检测 +2
基于深度学习YOLOv12的冰箱内食物识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

随着智能家居技术的快速发展，冰箱作为家庭食物存储的核心设备，其智能化管理需求日益增长。传统的冰箱食物管理依赖于人工记录和定期检查，不仅效率低下，还容易因遗忘或疏忽导致食物浪费。为了解决这一问题，本项目基于YOLOv11深度学习目标检测算法，开发了一套冰箱内部食物智能检测与管理系统，能够自动识别、分类和管理冰箱内的30种常见食物，并提供友好的用户交互界面，实现食物库存的数字化管理。

网络爬虫大揭秘
2026-02-23 12:23:45

 635

 14

#深度学习 #ui #人工智能 +1
基于深度学习的肺炎检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

肺炎是一种常见的呼吸道感染疾病，早期诊断对于治疗和预后至关重要。传统的肺炎诊断方法主要依赖胸部X光片和医生的经验判断，效率较低且容易受到主观因素的影响。随着计算机视觉和深度学习技术的发展，基于图像的目标检测方法逐渐成为医学影像分析的研究热点。YOLO（You Only Look Once）系列算法因其高效性和准确性，在目标检测领域得到了广泛应用。本项目基于YOLOv10模型，旨在开发一个能够自动检

 BQAIT
2026-02-26 10:05:46

 378

 10

#深度学习 #ui #目标检测 +1
基于深度学习YOLOv12的垃圾分类识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本文提出了一种基于深度学习目标检测模型YOLOv12的垃圾智能分类系统，旨在实现高效、精准的垃圾识别与分类。系统针对10类常见垃圾（包括电池、衣物、玻璃、金属、塑料等）进行检测，采用自构建的YOLO格式数据集，包含训练集（9909张）、验证集（977张）和测试集（486张）。通过YOLOv12模型结构，系统集成用户友好的UI界面，支持登录注册功能，便于用户交互与数据管理。实验结果表明，该系统在实时

 算法魔法师
2026-06-15 14:49:28

 193

 7

#深度学习 #分类 #python +2
用 GPT 生成 UI 样例图，再让 Codex 修改 Flutter 页面：一套更稳定的 UI 改造流程

最终，我把这套 UI 修改流程总结为一句话：先用最新旧截图锁定页面结构，再让 GPT 生成新的视觉样例，用旧图和新图共同约束 Codex，选择更强的模型完成第一版，最后根据真机截图逐项小修。这套方法的重点，不是让 AI 直接替我们设计和修改全部页面。而是把不同 AI 的能力拆开使用：GPT 负责理解视觉、生成样例图和整理提示词；Codex 负责阅读项目代码并落地 Flutter 页面；人负责确认视

 qq_45958291
2026-07-13 15:19:03

 195

 6

#ui #flutter
黄仁勋最新对话：未来企业的核心资产，不是大模型，而是自己的 Agent Harness

英伟达CEO黄仁勋与LangChain创始人对话指出：企业AI竞争焦点正从模型能力转向Agent系统能力。Agent需整合企业知识、工具调用、任务规划等能力，其核心是构建"Harness"（智能体工程系统），包括提示词、工具链、安全控制等模块。未来企业将依赖专业化Agent群（如供应链、财务等专属Agent）而非单一通用模型，这些系统将成为企业核心数字资产。黄仁勋强调，工程师角

 霍格沃兹测试开发学社
2026-07-21 12:17:20

 89

 1

#人工智能 #测试用例 #自动化 +3
基于深度学习YOLOv10的足球运动员检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本项目基于 YOLOv10 目标检测算法，开发了一套高效、实时的足球运动员检测系统，用于识别和分类足球比赛中的关键目标，包括球员（player）、守门员（goalkeeper）、裁判（referee）和足球（ball）。系统进行模型训练和优化，实现了对足球比赛场景中不同角色的精准检测。该系统可广泛应用于足球比赛分析、智能裁判辅助、自动化赛事直播、体育训练数据分析等领域，能够显著提升比赛数据的采集效

 算法魔法师
2026-06-24 13:58:48

 188

 8

#深度学习 #ui #python +2
基于深度学习YOLOv10的跌倒检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

跌倒检测是智能监控和健康护理领域的重要应用，尤其对老年人和行动不便的人群具有重要意义。跌倒可能导致严重的身体伤害，甚至危及生命。传统的跌倒检测方法依赖于人工监控或简单的传感器技术，难以应对复杂场景。基于深度学习的目标检测技术可以自动识别人体姿态，实时检测跌倒事件，为及时救助提供支持。本项目利用YOLOv10（You Only Look Once version 10）目标检测算法，开发一个高效的跌

 算法魔法师
2026-06-26 11:45:12

 311

 6

#深度学习 #ui #python +1
基于深度学习YOLOv10的汽车损坏识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本项目基于前沿的YOLOv10目标检测算法，开发了一套高精度的汽车损坏识别检测系统，专门用于快速准确地识别车辆各类损伤情况。系统采用包含11,675张高质量汽车损伤图像的专业数据集进行训练和评估，其中训练集10,218张，验证集971张，测试集486张。该检测系统实现了对汽车刮擦、凹陷、裂纹、破碎等多种损伤类型的精准识别，可广泛应用于保险理赔、二手车评估、汽车维修厂质检、共享汽车运营管理以及自动驾

 BQAIT
2026-02-22 21:52:28

 646

 8

#深度学习 #汽车 #目标检测 +3
【GUI-Agent】阿里通义MAI-UI 代码阅读（2）--- 实现

视觉解析器把屏幕变成机器可读的结构化数据，任务规划器把人类语言翻译成机器可执行的操作，执行引擎则负责最后的物理交互。这种设计的好处是模块化——你可以单独升级视觉模型（比如换成YOLOv8），或者增强规划器（接入GPT-4进行复杂推理），而其他部分不用改动。未来，随着多模态大模型的发展，这类GUI-Agent可能会直接跳过视觉解析环节，由模型端到端生成操作坐标，实现真正的“看-想-做”一体化。上一期

 向夏威夷梦断明暄
2026-07-25 15:27:38

 202

 8

#ui
基于深度学习的跌倒检测系统（YOLOv8+YOLO数据集+UI界面+Python项目+模型）

本项目基于YOLOv8目标检测算法，开发了一套高效、实时的跌倒检测系统，能够准确识别人的三种行为状态：跌倒（fallen）、正在跌倒（falling）和站立（stand）。该系统可广泛应用于养老院、医院、家庭监护及公共场所的安全监测，旨在及时发现跌倒事件并触发警报，以降低跌倒带来的伤害风险。本系统采用的数据集包含3,888张标注图像，其中训练集3,594张，验证集294张，涵盖了不同场景（如室内、

算法魔法师
2026-06-29 12:43:30

 31

#深度学习 #ui #python +1
基于深度学习的七种车辆类型检测系统（YOLOv8+YOLO数据集+UI界面+Python项目+模型）

本项目基于深度学习目标检测算法，开发了一套高性能的多类别车辆检测与分类系统，能够准确识别并分类7种不同类型的车辆小型车辆tiny-carmid-carbig-car货运车辆big-truckoil-truck特种车辆系统采用2026张标注图像的数据集进行训练和验证，其中训练集1488张验证集507张测试集31张，涵盖了不同光照条件、交通场景及车辆姿态，以确保模型的鲁棒性和泛化能力。本系统可广泛应用

 网络爬虫大揭秘
2026-05-25 14:04:02

 42

#深度学习 #ui #人工智能 +1
从“感知”到“认知”：RunnerAgent如何重塑UI自动化的稳定边界

RunnerAgent 通过DOM 为主、视觉为辅、推理为核兼具白盒测试的精准可控与黑盒测试的界面适配性；从 “机械执行元素操作” 升级为 “具备认知与决策的智能测试”；彻底解决传统 UI 自动化脆弱、僵硬、维护成本高的痛点，满足生产环境高鲁棒性要求。未来 UI 自动化的核心方向，不再是视觉与代码的二选一，而是多技术协同的混合增强智能。掌动智能 RunnerAgent 正以这一技术路径，为企业提供

 掌动智能
2026-05-22 16:09:11

 273

 6

#ui #自动化 #人工智能
20260310_163613_一文读懂大模型智能体（Agent）：从理论到实践

AI大模型智能体（Agent）彻底火出圈，从自动写代码、处理工作流，到模拟人类完成复杂任务，几乎成了技术人必聊的热点。

Python编程杰哥
2026-03-10 16:37:26

 416

 8

#人工智能 #性能优化 #ui +2
基于深度学习YOLOv8的家具识别检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

本项目基于先进的YOLOv8目标检测算法，开发了一套专门用于家具识别的智能视觉系统。系统针对三类常见家具（椅子、沙发和桌子）进行高效识别与定位，共使用了689张标注图像作为数据集。通过深度学习技术，该系统能够实时准确地检测图像或视频流中的家具物品，并标注其类别和位置信息。项目实现了从数据采集、标注、模型训练到性能评估的完整流程，最终在测试集上达到了较高的识别精度，为智能家居、室内导航、家具电商等应

 BQAIT
2026-02-22 21:56:49

 451

 7

#深度学习 #ui #python +1
基于深度学习YOLOv11的跌倒识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本文设计并实现了一种基于深度学习YOLOv11的跌倒识别检测系统，旨在通过实时目标检测技术识别跌倒行为，提升公共安全与老年监护能力。系统采用YOLOv11模型，针对三类目标（'fallen'跌倒后、'falling'跌倒中、'stand'站立状态）进行优化训练，数据集包含训练集3594张和验证集294张图像。结合Python开发的UI界面与登录注册功能，系统具备用户友好的交互体验和可扩展性。实验表

 算法魔法师
2026-06-14 17:18:49

 184

 8

#深度学习 #ui #人工智能 +1
基于深度学习YOLOv12的交通标志识别检测系统（YOLOv12+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本项目开发了一套基于深度学习YOLOv12模型的交通标志智能检测与识别系统，能够准确识别83类常见交通标志，包括禁令标志（如"No Entry"、"No Parking"）、警告标志（如"Falling Rocks"、"Pedestrian Crossing"）、指示标志（如"Ahead Only"、"Roundabout"）以及多种限速标志（如"Speed Limit 30"、"Speed Li

网络爬虫大揭秘
2026-02-23 12:35:31

 158

 1

#深度学习 #ui #人工智能 +1
基于深度学习YOLOv10的无人机红外检测系统（车辆行人检测）（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

无人机技术在安防监控、灾害救援、交通管理等领域得到了广泛应用。然而，在夜间或低能见度环境下，传统的可见光摄像头难以有效捕捉目标，而红外成像技术能够通过热辐射信息清晰地呈现目标，成为解决这一问题的关键技术。目标多样性：车辆和行人的形状、大小、姿态各异，增加了检测难度。环境复杂性：红外图像中可能存在噪声、遮挡、背景干扰等问题。实时性要求：无人机应用场景通常需要实时检测，对算法的速度和精度提出了更高要求

 算法魔法师
2026-06-25 14:27:02

 29

#深度学习 #无人机 #python +2
基于深度学习的大豆检测系统（YOLOv8+YOLO数据集+UI界面+Python项目+模型）

本项目基于先进的YOLOv8目标检测算法，开发了一套专门用于大豆检测的智能化系统。系统针对单一类别"soybean"进行优化训练，使用包含1984张图像的专业数据集（其中训练集1716张，验证集168张，测试集100张）进行模型开发和评估。该检测系统能够实时、准确地识别图像或视频流中的大豆目标，为农业生产、食品加工和质量控制等领域提供高效的技术解决方案。通过深度学习技术的应用，本系统实现了传统人工

 算法魔法师
2026-07-01 13:01:11

 40

#深度学习 #ui #人工智能 +1
基于深度学习YOLOv11的野生动物识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本文基于YOLOv11深度学习算法，设计并实现了一套高效的野生动物识别检测系统，旨在解决自然保护区和野外监控场景下的动物实时检测问题。系统支持对5类常见野生动物（郊狼、鹿、野猪、兔子、浣熊）的精准识别，采用自建YOLO格式数据集（含训练集10,665张、验证集928张、测试集536张）进行模型训练与评估。结合用户友好的UI界面及登录注册功能，系统实现了从数据标注、模型训练到实际应用的全流程闭环。实

 算法魔法师
2026-06-10 13:19:10

 184

 5

#深度学习 #ui #开发语言 +2
python中qt6-tools控件，菜单的各种属性表格设置一览

【代码】python中qt6-tools控件，菜单的各种属性表格设置一览。

王夏奇
2026-03-17 14:32:27

 204

 6

#python #ui
基于深度学习YOLOv8的晶圆体缺陷检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

本项目基于YOLOv8算法开发了一套晶圆体表面缺陷检测系统，旨在对九类常见缺陷进行精准识别与定位，包括Center（中心缺陷）、Donut（环形缺陷）、Edge-Loc（边缘局部缺陷）、Edge-Ring（边缘环形缺陷）、Loc（局部缺陷）、Near-full（近全圆缺陷）、None（无缺陷）、Random（随机分布缺陷）以及Scratch（划痕缺陷）。数据集规模充足且划分合理，共包含13,000

BQAIT
2026-02-22 22:05:13

 187

 3

#深度学习 #ui #目标检测 +2
基于深度学习的二维码检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本项目旨在利用 YOLOv10 目标检测算法，构建一个高效、准确的条形码检测系统。系统能够实时检测图像或视频中的条形码，并输出检测结果。通过训练和优化模型，系统能够在复杂背景下准确识别条形码，满足零售、物流和仓储管理的需求。

BQAIT
2026-02-25 20:14:27

 462

 14

#深度学习 #ui #python +2
基于深度学习的疲劳驾驶检测系统（YOLOv10+YOLO数据集+UI界面+Python项目+模型）

本项目旨在开发一个基于YOLOv10的疲劳检测系统，用于实时检测驾驶员的疲劳状态。系统通过分析驾驶员的面部表情，特别是眼睛和嘴巴的状态，来判断其是否处于疲劳状态。模型共分为四类：打哈欠（Yawn）、闭眼（close）、未打哈欠（noYawn）和睁眼（open）。通过深度学习技术，系统能够快速、准确地识别这些状态，从而为驾驶员提供及时的疲劳预警，提升驾驶安全性。本项目使用了YOLOv10模型，该模型

 算法魔法师
2026-06-28 14:51:45

 24

#深度学习 #ui #人工智能 +1
基于深度学习YOLOv8的森林火灾烟雾红外检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

本项目基于先进的YOLOv8目标检测算法，开发了一套专门用于森林火灾早期预警的红外烟雾检测系统。系统采用双类别检测框架(nc=2)，能够准确识别"fire"(火焰)和"smoke"(烟雾)两类关键目标。项目构建了包含2000张红外图像的专业数据集，其中训练集1600张、验证集200张、测试集200张，确保了模型训练的充分性和评估的可靠性。该系统通过处理红外摄像头采集的实时图像流，能够实现森林区域的

 算法魔法师
2026-06-24 14:01:20

 220

 3

#深度学习 #ui #python +1
基于深度学习的虾病害检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

本项目利用YOLOv10（You Only Look Once version 10）目标检测算法，开发一个高效的虾病害检测系统。该系统能够自动从虾类图像中检测出病害区域，并区分病害类型（如黑斑病、黑鳃病、肝胰腺苍白病、白斑综合症病毒），为养殖户提供病害预警和防治建议。

斌擎人工智能官方账号
2026-02-26 09:39:47

 462

 4

#深度学习 #ui #人工智能 +1
Agent求职快速学习手册！

机器学习基础算法（Coursera或吴恩达）目的：了解一下一些基础算法以及数据处理的方式和流程（划重点）

小马不会过河
2026-03-21 21:06:26

 307

 8

#学习 #spring #人工智能 +3
基于深度学习YOLOv8的水果分类检测系统（YOLOv8+YOLO数据集+UI界面+Python项目源码+模型）

本项目基于YOLOv8目标检测算法，开发了一套高效、精准的水果自动分类检测系统，能够实时识别并分类六种常见水果：苹果（Apple）、香蕉（Banana）、芒果（Mango）、橙子（Orange）、菠萝（Pineapple）、西瓜（Watermelon）（nc=6）。系统采用深度学习技术，在自建数据集上进行训练和优化，该数据集包含1007张标注图像，其中训练集768张、验证集129张、测试集110张

 算法魔法师
2026-06-24 14:00:29

 148

 4

#深度学习 #分类 #python +2
基于深度学习YOLOv11的草莓病害识别检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本文设计并实现了一套基于深度学习的草莓病害识别检测系统，采用YOLOv11目标检测模型对草莓叶片和果实的病害进行精准识别。系统共识别5类目标，分别为“Benh cao su”（橡胶病）、“Benh dom den”（黑斑病）、“Benh moc xam”（灰霉病）、“Benh phan trang”（白粉病）及“Qua binh thuong”（正常果实）。数据集包括700张训练集、81张验证集和

 算法魔法师
2026-06-15 14:52:05

 109

 1

#深度学习 #ui #python +1
基于深度学习YOLOv10的传送带缺陷检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

传送带是工业生产中重要的物料输送设备，其表面状态直接影响生产效率和安全性。然而，在长期使用过程中，传送带表面可能出现多种缺陷，如堵塞（block）、裂纹（crack）、异物（foreign）和孔洞（hole）等。这些缺陷不仅会降低生产效率，还可能导致设备故障甚至安全事故。效率低：人工检查速度慢，难以应对大规模生产需求。漏检率高：微小缺陷或复杂背景下的缺陷容易被忽略。主观性强：检测结果依赖操作人员的

 算法魔法师
2026-06-25 14:25:57

 31

#深度学习 #ui #人工智能 +1
基于深度学习的车辆类型识别检测系统（YOLOv10+YOLO数据集+UI界面+Python项目源码+模型）

车辆种类检测是智能交通系统的重要组成部分，广泛应用于交通监控、自动驾驶、车辆统计等领域。传统的车辆检测方法依赖于人工观察或简单的图像处理技术，难以应对复杂的交通场景。基于深度学习的目标检测技术可以自动识别车辆种类，并精确定位车辆位置，为智能交通系统提供高效、准确的解决方案。本项目利用YOLOv10（You Only Look Once version 10）目标检测算法，开发一个高效的车辆种类检测

 算法魔法师
2026-06-26 12:00:06

 39

#深度学习 #ui #人工智能 +1
基于深度学习YOLOv11的苹果损坏检测系统（YOLOv11+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型）

本项目基于前沿的YOLOv11深度学习算法，开发了一套高效精准的苹果损坏检测系统，结合计算机视觉与用户友好的交互界面，实现从图像采集到智能分析的端到端解决方案。系统核心采用YOLOv11目标检测模型，通过在自建的YOLO格式苹果损伤数据集上进行训练和优化，能够快速准确地识别苹果表面的破损、腐烂等缺陷，检测精度达到实用化水平。

网络爬虫大揭秘
2026-02-22 22:06:27

 182

 3

#深度学习 #ui #人工智能 +2