红细胞检测模型，对应的数据集（有xml文件和jpg文件）

Opencv调用EAST场景文字检测模型进行文字检测（附Python，C++代码）-附件资源

加权盒融合 存储库包含Python方法的几种实现，这些方法用于组合对象检测模型中的框： 非最大抑制（NMS） 软网管 非最大加权（NMW） 加权框融合（WBF） -与其他方法相比，可以提供更好的结果的新方法 要求 Python 3。*，Numpy，Numba 安装 pip install ensemble-boxes 用法示例 预计将标准化的框的坐标，例如，范围为[0; 1]。 顺序：x1，y1，x2，y2。 下面的2种型号的盒装示例。 第一个模型预测5个盒子，第二个模型预测4个盒子。 每个盒子模型的置信度得分1：[0.9、0.8、0.2、0.4、0.7] 每个盒子模型2的置信度得分：[0.5、0.8、0.7、0.3] 每个包装盒型号1的标签（类）：[0，1，0，1，1] 每个盒子模型2的标签（类）：[1、1、1、0] 我们将第一个模型的权重设置为2，将第二个模型

基于YOLOv3的仪表识别方法中，仪表检测模型及配置文件包括： （1）meter.names （2）yolov3-meter.cfg （3）yolov3-meter.weights 仪表检测代码链接：https://blog.csdn.net/qq_41721951/article/details/125453483

YOLOv5火焰烟雾检测+训练好的模型+数据集+pyqt界面，可直接进行推理测试。 1、项目是训练过的，可直接进行推力测试。 2、项目包含烟雾和火焰的数据集，已标记好！ 3、如果想想重新训练也可以。 4、可以直接用训练好的权重pt文件进行推力测试，测试视频和图片都可以，很好用。 5、价格绝对是优惠价，可以放心下载 YOLOv5训练好的火焰烟雾检测模型，包括yolov5s-fire_smoke.pt和yolov5m-fire_smoke.pt两个训练好的模型，并包含标注好的火焰和烟雾数据集，标签格式为xml和txt两种 有QT界面 采用pytrch框架，代码是python的 YOLOv5训练好的火焰烟雾检测 pyqt界面 yolov5界面

1、yolov5破损绝缘子检测，包含训练好的道路指示牌识别权重，以及PR曲线，loss曲线等等，在绝缘子缺陷检测数据集中训练得到的权重，目标类别名为break_insulator共一个类别；并附绝缘子缺陷检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码

FCOS3D是基于anchor-free网络FCOS演变而来，作者采用FCOS检测器作为baseline的目的是考虑到FCOS在处理遮挡和尺度变化问题上具有优势，从网络结构对比来看，FCOS3D的backbone和neck部分沿用FCOS的结构，检测头head部分因regression targets不同有所差异。

Yolo通用目标检测模型与EfficientNet-lite结合使用，计算量仅为230Mflops（0.23Bflops），模型大小为1.3MB:high_voltage:Yolo-Fastest:high_voltage:简单，快速，紧凑，易于移植实时目标检测算法适用于所有平台基于yolo的最快和最小的已知通用目标检测算法速度比mobilenetv2-yolov3-nano快45％，参数数量减少56％评估指标网络VOC mAP（0.5）分辨率运行时间（Ncnn 1xCore）运行时间（Ncnn 4xCore）FLOPS重量大小MobileNetV2-YOLOv3-Nano 65.27 320 11.36ms 5.48ms 0.55BFlops 3.0MB Yolo-Fas

1、yolov5水果检测，包含yolov5s和yolov5m两种训练好的水果检测权重，目标类别为apple、banana和orange 3个类别，并附有几百张水果数据集 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

DLology博客 怎么跑 简单方法：运行 。 另外，如果您想使用图像而不是图像，则此仓库随附。 需要安装 。 分叉并将此存储库克隆到本地计算机。 https://github.com/Tony607/object_detection_demo 安装所需的库 pip3 install -r requirements.txt 第1步：注释一些图像 使用自定义对象保存一些照片，最好将jpg扩展名保存到./data/raw目录。 （如果您的对象很简单，例如此存储库随附的对象，则20张图像就足够了。） 将那些照片调整为统一大小。 例如(800, 600)与 python resize_images.py --raw-dir ./data/raw --save-dir ./data/images --ext jpg --target-size "(800, 600)" 调整大小的图像位于.