这是适用于Windows和Linux的YOLO-v3和v2。 YOLO（您只看一次）是Darknet的最先进的实时对象检测系统，Darknet是C语言中的一种开源神经网络框架。YOLO非常快速，准确。 它使用单个神经网络将整个图像划分为多个区域，然后预测每个区域的边界框和概率。 该项目是原始Darknet项目的分支。

YOLOv4 / Scaled-YOLOv4 / YOLO-用于对象检测的神经网络（Windows和Linux版本的Darknet）

停车和车道违规检测 使用目标检测器和跟踪器检测停车和车道违规 逐步设置 Yolo和Tracker 第1步-克隆 将存储库克隆到所需的文件夹中。 第2步-下载变量文件 下载变量文件 第3步-将变量文件放入所需位置 将下载的变量文件放入： cloned folder location > project_root/yolo/checkpoints/yolov4-416/variables/ 第4步-下载yolov4 从下载yolov4 步骤5-将yolov4放入所需位置 将yolov4.weights文件放入： cloned folder location > project_root/yolo/data/ 安装依赖项 确保正确安装以下依赖 步骤6-依存关系 openCV Python （Contrib版本） pip install opencv-python-contrib tens

⚡️利用Tensorflow.js实现浏览内的快速对象检测

OpenCV最新版本3.1.0+VS2015+C++ OpenCV中特征提取与对象检测部分内容： 角点检测、亚像素定位、SIFT、SURF、BRISK、AKAZE等常用特征检测方法的基本原理、使用方法、参数、代码演示。 HAAR级联检测基本原理与人脸检测代码演示， 描述子匹配的暴力匹配方法与FLANN匹配方法代码演示与对象识别

IoU预测的概率锚分配用于对象检测 姜金和熙锡李。 这是基于和 Probabilistic Anchor Assignment with IoU Prediction for Object Detection的PyTorch实现（）。 笔记 现在，该代码支持PyTorch 1.6 。 在可以使用PAA。非常感谢的出色工作！ 介绍 在对象检测中，确定将哪些锚分配为正样本或负样本（称为锚分配）已被公认为是可以严重影响模型性能的核心过程。在本文中，我们提出了一种新颖的锚点分配策略，该策略根据模型的学习状态将锚点自适应地分为正样本和负样本，用于地面真值边界框，从而能够以概率方式推理出分离。为此，我们首先计算以模型为条件的锚点的分数，并对这些分数拟合概率分布。然后使用根据锚概率分为正样本和负样本的锚对模型进行训练。此外，我们调查了培训和测试目标之间的差距，并建议预测检测到的盒子的交集在交集上，以作为

Viseron-具有对象检测功能的自托管NVR Viseron是使用Python实现的自托管，仅限本地NVR。目标是易于使用，同时还利用硬件加速来最小化系统负载。 显着特点 记录检测到的物体上的视频 支持多种不同的物体检测器： 使用OpenCVYOLOv3 / 4 Darknet 通过Google Coral EdgeTPU进行Tensorflow 运动检测 人脸识别 回溯，缓冲帧以在事件实际发生之前进行记录 多平台应支持任何运行Linux的x86-64机器以及RPi3。在以下平台上对构建进行测试和验证： 带有Nvidia GPU的Ubuntu 18.04 在Intel NUC上运行的Ubuntu 18.04 RaspberryPi 3B + 对RTSP和MJPEG的本机支持 支持不同平台上的硬件加速 CUDA用于具有受支持GPU的系统 OpenCL的 RaspberryPi 3B +

通过随机基础图像表示实现有效的隐私保护Viola-Jones类型对象检测

对象为点 使用中心点检测的对象检测，3D检测和姿态估计： 周兴义，王德全，PhilippKrähenbühl， arXiv技术报告（ ） 联系人： 。 欢迎任何问题或讨论！ 更新 （2020年6月）我们发布了基于Lidar的最新3D检测和跟踪框架 。 （四月，2020）我们发布了一个国家的最先进的（多类别- / pose- / 3D-）跟踪扩展 。 抽象的 检测将对象识别为图像中与轴对齐的框。 最成功的物体检测器会列举出潜在物体位置的几乎详尽的清单，并对每个物体进行分类。 这是浪费，低效的，并且需要附加的后处理。 在本文中，我们采用了不同的方法。 我们将对象建模为单个点-其边界框的中心点。 我们的探测器使用关键点估计来找到中心点，并回归到所有其他对象属性，例如大小，3D位置，方向，甚至姿态。 我们的基于中心点的方法CenterNet与相应的基于边界框的检测器相比，是端到端的可区

物体检测 将视频从一台计算机上的摄像机流传输到另一台计算机，以进行对象检测处理。 我的用例是树莓派。 要下载检查点，请根据所使用的模型从其中一种下载。