1、YOLOv7吸烟行为检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志， 2、classes: smoke； 3、检测结果和数据集参考： https://blog.csdn.net/weixin_51154380/article/details/127354103?spm=1001.2014.3001.5502

1、YOLOv7火焰检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志 2、classes: fire;

1、YOLOv7烟雾检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志 2、classes: smoke;

1、YOLOv7行人检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志，map达90%以上 2、classes: person 3、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127541335?spm=1001.2014.3001.5502

传统的PID控制器参数优化方法容易产生振荡和较大的超调量，因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化，弥补传统算法的不足，但是遗传算法在进化过程中收敛速度慢，粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上，在算法中引入了权重系数，提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后，通过三个传递函数实例，分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计，并对结果进行了分析。

1、YOLOv7火焰和烟雾检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志 2、classes: fire、smoke; 3、包括数据集，标签格式为VOC和YOLO两种 4、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127098467?spm=1001.2014.3001.5501

bytetrack多目标跟踪模型，对mot17数据集训练的tiny权重

yolov5预训练权重文件

1、YOLOv7口罩人脸检测训练权重 ，附有各种训练曲线图 2、map达90%以上， 3、classes: face， mask 4、并包含口罩数据，标签格式为VOC和YOLO两种 5、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127146442?spm=1001.2014.3001.5502

1、YOLOv7绝缘子检测训练权重 ，附有各种训练曲线图 2、map达90%以上， 3、classes: insulator 4、包括数据集，标签格式为VOC和YOLO两种 5、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127229895?spm=1001.2014.3001.5502