- 博客(235)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 数据集学习笔记(二): 转换不同类型的数据集用于模型训练(XML、VOC、YOLO、COCO、JSON、PNG)
文章目录xml转换为cocoxml转换为coco只要修改倒数第三四行的代码即可使用，倒数第四行主要是xml的文件夹，注意下路径斜杠的方向即可，倒数第三行就是这个xml的文件名，是val就写val，是train就写train。import xml.etree.ElementTree as ETimport osimport json coco = dict()coco['images'] = []coco['type'] = 'instances'coco['annotations'] =
2021-07-08 20:17:30
2373
2
原创 环境安装(一):Anaconda3+pytorch1.6.0+cuda10.0+cudnn7.6.4+tensorflow1.15+pycocotools+pydensecrf
pip国内镜像源：阿里云 http://mirrors.aliyun.com/pypi/simple/清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/Python官方 https://pypi.python.org/simple/豆瓣 http://pypi.douban.com/simplev2ex http://pypi.v2ex.com/simple/
2021-01-07 16:59:29
5748
4
原创 YOLOv8优改系列一：YOLOv8融合BiFPN网络，实现网络快速涨点
🌳论文地址点击🌳源码地址点击🌳问题阐述：传统的自上而下的FPN在本质上受到单向信息流的限制。为了解决这个问题，PANet 添加了一个额外的自底向上的路径聚合网络。最近，NAS-FPN 采用神经结构搜索来搜索更好的跨尺度特征网络拓扑，但在搜索过程中需要数千小时的GPU，发现的网络不规则，难以解释或修改。🌳主要思想：1. 高效的双向跨尺度连接；2. 加权特征图融合。🌳解决方法。
2024-04-22 01:57:57
226
原创 基于YOLOv8的钢铁缺陷实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
钢铁缺陷实时检测系统通过先进的图像处理和人工智能技术，实时检测钢铁缺陷目标，提高生产效率和产品质量，减少次品率和生产成本，确保钢铁制品的安全性和可靠性，促进工业生产的可持续发展。本文基于YOLOv8算法框架，通过1800张训练图片（其中1600张训练集，200张验证集），训练出一个可用于检测钢铁缺陷情况的有效模型。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的钢铁缺陷实时检测系统，可用于实时检测钢铁缺陷情况，以及时告警。该系统是基于Python和Pyside6开发。
2024-04-21 22:07:32
1068
原创 基于YOLOv8的河道漂浮物实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
河道漂浮物实时检测系统通过先进的图像处理和人工智能技术，及时探测和清除水面垃圾，以维护水体的生态平衡和环境卫生，有助于防止污染物扩散，确保河流的持续健康和清洁。本文基于YOLOv8算法框架，通过2400张训练图片（其中1920张训练集，480张验证集），训练出一个可用于检测河道漂浮物情况的有效模型。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的河道漂浮物实时检测系统，可用于实时检测河道漂浮物情况，以及时告警。该系统是基于Python和Pyside6开发，并支持以下功能特性。
2024-04-14 00:30:47
1022
原创 基于YOLOv8的工业安全帽实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
工业安全帽实时检测系统通过先进的图像处理和人工智能技术，确保工作场所的安全，减少因未佩戴或不正确佩戴安全帽导致的意外伤害，降低工伤事故率。本文基于YOLOv8算法框架，通过7581张训练图片（其中6064张训练集，1517张验证集），训练出一个可用于检测工业安全帽和人头情况的有效模型。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的工业安全帽实时检测系统，可用于实时检测安全帽佩戴的情况，以及时告警。该系统是基于Python和Pyside6开发，并支持以下功能特性。
2024-04-13 23:32:17
554
原创 基于YOLOv8的人员跌倒实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
人员跌倒实时检测系统通过先进的图像处理和人工智能技术，实现对公共场合或特定环境中人员活动的连续监控，可针对跌倒、蹲下、站立三种状态行为进行实时检测，以便及时采取救援措施，降低伤害风险，保障人员生命安全。本文基于YOLOv8算法框架，通过4978张训练图片（其中4035张训练集，943张验证集），训练出一个可用于检测人员跌倒情况的有效检测模型。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的人员跌倒实时检测系统，可用于实时检测人员跌倒情况，以及时告警。该系统是基于。
2024-04-05 23:46:37
814
原创 Python实用记录(十五)：PyQt/PySide6打包成exe
打包的话，用nuitka更适合，对PySide支持更好。压缩后仅15MB左右。
2024-04-02 20:35:34
234
原创 基于YOLOv8的交通车辆实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
交通车辆实时检测系统利用尖端图像处理技术，对道路情况实施连续监控。旨在提升道路安全，实时识别车辆和违规行为，辅助降低拥堵，保障行车安全，进而改善交通环境管理。本文基于YOLOv8算法框架 ，通过5830张训练图片（其中5248张训练集，582张验证集），训练出一个可用于检测交通车辆情况的有效检测模型。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的交通车辆实时检测系统，可用于实时检测交通车辆情况，以及时告警。该系统是基于Python和Pyside6开发，并支持以下功能特性。
2024-04-02 01:12:52
841
原创 基于YOLOv8的火焰烟雾实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
火焰烟雾实时检测系统旨在实现对火源和烟雾的即时监测和警报，以预防火灾、保护生命财产安全。本文基于YOLOv8算法框架，通过6744张训练图片（其中5395张训练集，1349张验证集），训练出一个可用于检测火焰烟雾情况的有效检测模型。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的火焰烟雾实时检测系统，可用于实时检测火焰烟雾情况，以及时告警。该系统是基于Python和Pyside6开发并支持以下功能特性系统背景和标题修改模型权重导入和初始化检测置信度和IOU调节。
2024-03-19 19:56:43
1683
原创 训练数据集(一)：真实场景下采集的煤矸石目标检测数据集，可直接用于YOLOv5/v6/v7/v8训练
煤矸石训练数据集：891张；验证数据数据集：404张数据集类别：0代表煤炭（coal），1代表矸石（gangue），2代表煤炭和矸石的混合物（coal and gangue）所有数据都有对应的标签，可直接提供给YOLO网络进行训练，数据集已划分好。划分格式如下root_path:原图展示部分标注可视化结果展示。
2024-03-18 15:50:34
444
原创 基于YOLOv8的人员抽烟实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
人员抽烟实时检测系统旨在维护无烟环境，预防火灾，保护公众免受二手烟危害，并降低病毒传播风险。本文基于YOLOv8算法框架，通过2472张训练图片（其中2276张训练集，196张验证集），训练出一个可用于检测人群中抽烟情况的有效检测模型（主要用于公共场所的检测识别）。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的人员抽烟实时检测系统，可用于实时检测人群中的抽烟情况。该系统是基于Python和Pyside6开发并支持以下功能特性系统背景和标题修改模型权重导入和初始化。
2024-03-07 10:25:29
869
原创 基于YOLOV8的口罩佩戴实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
口罩佩戴实时检测系统可以帮助公共安全、医疗卫生等领域的工作人员快速地识别人们是否正确佩戴口罩，提高疫情防控效率，减少病毒传播风险。本文基于YOLOv8算法框架，通过7959张训练图片（其中6367训练集，1592验证集），训练出一个可用于检测人群中口罩佩戴情况的有效识别模型（主要用于公共场所和交通枢纽的检测识别）。此外，为更好地展示算法效果，基于此模型开发了一款带GUI界面的基于YOLOv8的口罩佩戴实时检测系统，可用于实时检测人群中的口罩佩戴情况。该系统是基于Python和Pyside6开发，
2024-02-29 15:11:42
589
原创 Docker学习笔记（一）：Docker命令总结
一、Docker介绍1.1 镜像与容器区别二、Docker命令Docker是一个开源的应用容器引擎，它允许开发者在几乎任何环境中运行应用程序，而无需担心运行环境的问题。Docker的核心概念是容器，它可以将应用程序及其依赖项打包在一起，形成一个独立的环境。这使得开发者可以在不同的机器上复制相同的运行环境，从而实现应用程序的快速部署和迁移。轻量级：Docker容器比虚拟机更轻量，因为它们共享宿主机的操作系统内核。这使得Docker容器启动速度更快，占用资源更少。
2024-01-04 15:19:26
1081
原创 Python实用记录(十四)：python统计某个单词在TXT/JSON文件中出现的次数
这段代码的主要功能是统计文本文件中某个特定单词（在这里是’fishing’）出现的次数。
2023-10-10 10:00:43
491
原创 语义分割笔记(三)：通过opencv对mask图片来画分割对象的外接椭圆
根据 mask 图像来画分割对象的外接椭圆是一种常见的图像分割任务。Mask 图像通常是一个二值图像，其中包含了感兴趣对象的像素。通常情况下，白色像素表示对象，黑色像素表示背景。
2023-10-08 18:22:51
1741
原创 测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算（目标检测）
FP（False Positives，假正例）：表示模型错误预测为正类的样本数量，也就是将负例错误分类为正例的数量。FN（False Negatives，假负例）：表示模型错误预测为负类的样本数量，也就是将正例错误分类为负例的数量。TP（True Positives，真正例）：表示模型正确预测为正类的样本数量，也就是将正例正确分类为正例的数量。TN（True Negatives，真负例）：表示模型正确预测为负类的样本数量，也就是将负例正确分类为负例的数量。然后通过下面的代码将源标签的txt文档进行总结。
2023-10-01 11:59:26
175
原创 目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务（从数据准备到训练测试部署的完整流程）
PaddleClas主要构件PP-ShiTu： 图像识别（包含图像检测与图像搜索）PULC：超轻量图像分类PaddleClas是飞桨（PaddlePaddle）深度学习平台提供的一个开源项目，用于图像分类任务。它基于飞桨框架开发，致力于为用户提供一个简单、高效、灵活的图像分类工具。PaddleClas集成了许多常用的图像分类模型和数据增强方法，使得用户可以轻松地进行图像分类任务的训练和推理。
2023-09-19 12:30:38
1301
2
原创 语义分割笔记(二)：DeepLab V3对图像进行分割（自定义数据集从零到一进行训练、验证和测试）
语义分割是计算机视觉中的一项技术，旨在将图像中的每个像素分配给特定的类别。它与目标检测不同，目标检测是在图像中定位物体的位置和大小，而语义分割则进一步将这些物体划分为不同的类别。语义分割的目标是生成一张与原始图像相同大小的分割掩膜，其中每个像素都被分配到正确的类别中。这对于许多应用非常重要，例如自动驾驶、医学影像分析和机器人导航等。近年来，随着深度学习技术的发展，语义分割已经取得了很大的进展。现在有许多优秀的语义分割算法可供选择，包括FCN、U-Net、DeepLabv3+等。
2023-09-14 18:02:22
1430
1
原创 目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务（从数据准备到训练测试部署的完整流程）
目标分类是一种监督学习任务，其目标是根据输入数据的特征将其分配到预定义的类别中。这种分类方法在许多实际应用中都有广泛的应用，如垃圾邮件检测、图像识别、情感分析等。目标分类的基本流程包括：数据预处理（如清洗、标准化）、特征提取、模型选择和训练、模型评估和优化。其中，模型的选择和训练是关键步骤，常见的分类算法有决策树、支持向量机、神经网络等。目标分类的优点是可以自动地进行分类，无需人工干预，同时也可以通过调整模型参数来提高分类的准确性。但是，目标分类也存在一些挑战，如数据的不平衡问题、过拟合问题等。
2023-09-13 16:14:55
504
1
原创 目标检测笔记(十五): 使用YOLOX完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）
目标检测（Object Detection）是计算机视觉领域的一项重要技术，旨在识别图像或视频中的特定目标并确定其位置。通过训练深度学习模型，如卷积神经网络（CNN），可以实现对各种目标的精确检测。常见的目标检测任务包括：人脸检测、行人检测、车辆检测等。目标检测在安防监控、自动驾驶、智能零售等领域具有广泛应用前景。论文链接背景：随着物体检测的发展，YOLO系列始终追求实时应用的最佳速度和精度权衡。而且在过去两年中，目标检测学术界的主要进展都集中在无锚检测器 、高级标签分配策略 和端到端（无 NMS）检测器。
2023-09-10 20:31:50
914
原创 目标检测笔记(十四): 使用YOLOv8完成对图像的目标检测任务（从数据准备到训练测试部署的完整流程）
目标检测（Object Detection）是计算机视觉领域的一项重要技术，旨在识别图像或视频中的特定目标并确定其位置。通过训练深度学习模型，如卷积神经网络（CNN），可以实现对各种目标的精确检测。常见的目标检测任务包括：人脸检测、行人检测、车辆检测等。目标检测在安防监控、自动驾驶、智能零售等领域具有广泛应用前景。
2023-09-08 17:44:25
10121
3
原创 目标检测笔记(十三): 使用YOLOv5-7.0版本对图像进行目标检测完整版（从自定义数据集到测试验证的完整流程））
目标检测（Object Detection）是计算机视觉领域的一个重要研究方向，其主要任务是从图像或视频中识别并定位出感兴趣的目标对象。目标检测技术在许多实际应用中具有广泛的用途，如自动驾驶、视频监控、医学影像分析等。基于传统机器学习的方法和基于深度学习的方法。基于传统机器学习的方法：这些方法主要依赖于手工设计的特征提取器和分类器。常用的特征提取器包括SIFT、SURF、HOG等，而分类器则可以是支持向量机（SVM）、随机森林（Random Forest）、K-近邻（KNN）等。
2023-09-07 17:50:26
4253
2
原创 代码管理记录(二)：Github代码上传实操
Git是一个分布式版本控制系统，用于跟踪代码的修改和协同开发。它提供了强大的分支管理、版本控制和合并功能。作为一个上传GitHub的工具，Git可以轻松地将本地代码推送到GitHub远程仓库，实现代码的共享和协作。安装方式：镜像下载（链接下载后重启即可，再cmd中输入git看是否显示，如果正常说明安装正确，如果不显示可看看环境变量是否加入进入。
2023-09-06 17:10:50
107
原创 实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版（从自定义数据集到测试验证的完整流程））
图像分割是指将一幅图像划分为若干个互不重叠的区域，每个区域内的像素具有相似的特征或属性。图像分割是图像处理和计算机视觉领域的一个重要任务，它在很多应用中起到关键作用，如目标检测、目标跟踪、图像编辑、医学图像分析等。图像分割的目标是将图像中的目标从背景中分离出来，使得目标区域内的像素具有一致的特征，同时与背景区域有明显的差异。常见的图像分割方法包括基于阈值的方法、边缘检测方法、区域生长方法、基于图割的方法等。
2023-09-06 16:31:58
7419
10
原创 深度学习环境搭建笔记(二)：mmdetection-CPU安装和训练
下载将需要几秒钟或更长时间，这取决于你的网络环境。完成后，你会在当前文件夹中发现两个文件 rtmdet_tiny_8xb32-300e_coco.py 和 rtmdet_tiny_8xb32-300e_coco_20220902_112414-78e30dcc.pth。你会在当前文件夹中的 outputs/vis 文件夹中看到一个新的图像 demo.jpg，图像中包含有网络预测的检测框。如果是2.*以上的版本，则为mmcv。到这里为止，环境的配置就完成了。
2023-09-04 17:45:13
718
原创 数据集学习笔记(六)：目标检测和图像分割标注软件介绍和使用，并转换成YOLO系列可使用的数据集格式
labelImg是一个开源的图像标注工具，用于创建图像标注数据集。它提供了一个简单易用的界面，允许用户通过绘制边界框或者创建多边形来标注图像中的对象。它支持多种常见的标注格式，如Pascal VOC、YOLO和COCO等。使用labelImg，用户可以加载图像文件夹，逐个标注图像中的对象，并保存标注结果。该工具还提供了一些快捷键和功能，如缩放、移动和删除标注框，以及快速切换到下一张图像等。此外，labelImg还支持标注图像的困难程度、部分可见性和关键点等。
2023-08-30 17:41:17
3854
1
原创 目标检测笔记(十二)：如何通过界面化操作YOLOv5完成数据集的自动标注
通过使用YOLOv5进行自动标注，可以减少人为因素对标注结果的影响，提高标注的一致性和准确性。而通过界面化操作YOLOv5完成数据集的自动标注，可以实现自动识别目标并生成标注结果，极大地减轻了标注人员的工作负担。总的来说，通过界面化操作YOLOv5完成数据集的自动标注可以简化标注流程、提高标注准确性和加速标注速度，对于大规模数据集的制作和实时应用具有重要意义。通过界面化操作YOLOv5完成数据集的自动标注的意义在于简化数据标注的流程，提高标注的效率和准确性。：xml文件地址和创建保存txt文件的地址。
2023-08-28 20:19:12
2190
1
原创 模型预测笔记(四)：pandas_profiling生成数据报告
pandas_profiling是一个基于Python的开源库，用于生成数据分析报告。它可以自动分析数据集的各种统计指标，并生成一个详细的HTML报告，包括数据的基本信息、缺失值分析、唯一值分析、数值变量的描述统计、相关性分析、变量之间的交互等。自动化报告生成：pandas_profiling可以自动分析数据集的各种统计指标，并生成一个详细的HTML报告，无需手动编写代码。
2023-08-28 12:16:46
363
原创 人脸识别笔记(一)：通过yuface调包(参数量54K更快更小更准的算法) 来实现人脸识别
人脸检测项目libfacedetection是2015年创建的开源项目，算法模型为YuNet，已经持续维护8年至今，在GitHub上已经获得11.7K星。链接2022-2023年作者对训练部分进行了大幅改进。更加大胆地对算法进行优化迭代，放弃了第二版的Anchor-based机制而采用Anchor-free机制，并对损失函数、正负样本标签匹配等部分进行改进，得到了第三版YuNet。第三版YuNet有两个版本：追求高速度的YuNet-s和追求高精度的YuNet-n。
2023-08-25 14:13:30
498
原创 目标检测笔记(十一)：如何结合特定区域进行目标检测（基于OpenCV的人脸检测实例）
由于我们在做项目的时候可能会涉及到某个指定区域进行目标检测或者人脸识别等任务，所以这篇博客是为了探究如何在传统目标检测的基础上来结合特定区域进行检测，以Opencv自带的包为例。
2023-08-24 19:08:25
2003
1
原创 模型预测笔记(三)：通过交叉验证网格搜索机器学习的最优参数
网格搜索（Grid Search）是一种超参数优化方法，用于选择最佳的模型超参数组合。在机器学习中，超参数是在训练模型之前设置的参数，无法通过模型学习得到。网格搜索通过尝试所有可能的超参数组合，并使用交叉验证来评估每个组合的性能，从而确定最佳的超参数组合。
2023-08-24 17:06:46
1240
原创 模型预测笔记(二)：结合SMOTE来进行数据不均衡处理实操
是通过合成新的少数类样本来增加数据集中少数类样本的数量，从而达到平衡数据集的目的。通过引入合成样本，SMOTE可以更好地捕捉到少数类样本之间的特征分布，从而提高分类器的性能。SMOTE（Synthetic Minority Over-sampling Technique）是一种用于解决类别不平衡问题的数据增强算法。综上所述，数据不均衡可能会对模型预测的准确性和稳定性产生负面影响。通过合适的数据处理和模型调整方法，可以改善模型在不均衡数据集上的表现。在模型预测中，数据不均衡是指不同类别的样本数量差异很大。
2023-08-21 17:50:37
792
原创 模型预测笔记(一)：数据清洗分析及可视化、模型搭建、模型训练和预测代码一体化和对应结果展示(可作为baseline)
针对对于模型预测的流程以及相关操作不敏感的用户，通过这篇博客可以很好的学习到数据清洗可视化、数据归一化、模型构建训练评估预测一体化的操作。
2023-08-17 16:35:30
860
原创 目标检测笔记(十)：查看通过COCOEvaluator生成的coco_instances_results.json文件的详细检测信息，包含AP、AR、MR和DR等
COCO数据集中的图片和标注信息可以被用于训练和评估机器学习算法，但是为了保证算法的准确性，我们需要一个评估指标来量化算法的性能。这时候我们若想要通过这个json文件来得到我们的检测指标，各类AP和AR指标以及MR(错误率)和DR(检测率)，就可以通过下面这个代码(只需要指定COCO数据集的标签json文件(和验证的代码一样的json文件)，然后再指定coco_instances_results.json的路径即可。
2023-06-05 22:12:04
1494
原创 目标检测笔记(九)：详细介绍并实现可视化深度学习中每层特征层的网络训练情况
因此，在深度学习网络的训练过程中，对每一层特征层进行可视化和保存，可以帮助研究者更全面地了解网络内部的运作情况，并通过可视化结果的更新来调整网络的超参数和架构，从而提升网络的性能和训练效果。. draw_features(32, 32, x.cpu().detach().numpy()[:, 0:1024, :, :], “{}/f8_layer4.png”.format(self.savepath))这里的1024表示最大通道数。这里的8,8意思是这里的通道数是64，也就是8*8。
2023-05-30 19:28:44
1289
原创 深度学习环境搭建笔记(一)：detectron2安装过程
下载链接：https://github.com/facebookresearch/fvcore 点击跳转.在安装detectron2前需要先修改detectron2与pytorch的代码以保证顺利安装。：https://github.com/conansherry/detectron2 点击跳转.根据官方文档对pytorch进行如下修改(觉得难找可以下载Everything)打开cmd输入 import fvcore 没报错即成功。然后cd到setup.py所在目录，用以下指令安装。
2023-05-30 15:05:53
1680
1
原创 代码管理记录(一): 码云Gitee代码提交和维护
Gitee 是一个类似于GitHub的代码托管平台，是中国的开源社区和开发者社区。它为开发者提供了基于Git的代码托管、协作、部署、代码质量检测、漏洞扫描、容器镜像等服务，同时也提供了一系列的个人资料和社交功能，方便开发者与团队之间进行沟通和合作。与GitHub不同的是，Gitee的服务器在中国大陆，所以在国内也拥有更快的访问速度，并且不会同样受到国外政策的影响。
2023-05-08 18:12:30
758
1
原创 ChatGPT使用学习（三）：ChatGPT桌面版使用
ChatGPT桌面版是指OpenAI推出的针对个人用户的ChatGPT应用程序。它是一个独立的桌面应用程序，可以在本地计算机上运行，而无需依赖互联网连接。这使得用户可以在没有网络连接的情况下使用ChatGPT进行对话和获取智能回复。ChatGPT桌面版提供了一个友好的用户界面，用户可以通过输入文本与模型进行交互。它支持多种语言，并具备自然语言理解和生成的能力，可以回答用户的问题、提供信息、解决疑惑等。
2023-05-06 16:23:31
3795
1
原创 Python实用记录(十三):python脚本打包exe文件并运行
打开anaconda cmd进入到test_o.py的目录下，输入pip install pyinstaller安装。输入pyinstaller -D -i E:\Users\Desktop\1.ico .\test_o.py。点击dist，可以看到同名的文件，然后在里面找到exe文件即可运行。这里准备一个简单的python代码（打开电脑摄像头）然后就可以将test_o这个文件压缩发给别人即可。我们可以看到生成以下目录。
2023-05-05 17:57:07
678
钢铁缺陷检测数据集：用于YOLO模型训练的高质量数据集
2024-04-21
河道漂浮物检测数据集：用于YOLO模型训练的高质量数据集
2024-04-14
工业安全帽检测数据集：用于YOLO模型训练的高质量数据集
2024-04-13
人员跌倒检测数据集：用于YOLO模型训练的高质量数据集
2024-04-05
道路车辆检测数据集：用于YOLO模型训练的高质量数据集
2024-04-02
火焰烟雾检测数据集：用于YOLO模型训练的高质量数据集
2024-03-19
真实场景下煤矸石目标检测数据集，可直接用于YOLOv5/v6/v7/v8训练
2024-03-18
人员抽烟检测数据集：用于YOLO模型训练的高质量数据集
2024-03-07
实时口罩佩戴检测数据集：用于YOLO模型训练的高质量数据集
2024-03-02
502代码，可生成烟花，网页，登录注册都有，还可以结合女朋友图片来做一个3D界面，效果很好
2024-03-02
目标检测性能指标计算-实际代码-可参考
2023-10-01
基于Tkinter和YOLOv5完成数据集的自动标注可视化操作代码
2023-08-28
ChatGPT-学术优化工具
2023-05-05
bootstrap-3.4.1模板
2023-03-16
深度学习目标检测综述.docx
2021-06-18
reduce_error_pic.zip
2021-06-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人