基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型，基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型

1、yolov5训练好的汽车检测模型，包含yolov5s和yolov5m两种训练好的汽车识别权重，从自动驾驶场景KITTI汽车检测数据集训练得到 2、自动驾驶场景KITTI汽车检测数据集：https://download.csdn.net/download/zhiqingAI/85208797 4、包含1000多张标注好的城市交通场景的数据集，标签格式为xml和txt两种，类别名为car，配置好环境后可以直接使用 5、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 6、采用pytrch框架，python代码

1、YOLOV5吸烟行为检测，两种训练好的模型，内含各种训练曲线图，并包含数据集， 5000多张使用lableimg软件标注软件标注好的吸烟数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，分别保存在两个文件夹中，类别名为smoke; 可以直接用于YOLO系列的吸烟行， 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，代码是python的

麦克蒙 micmon是一个由ML支持的库，用于检测来自文件或音频输入的音频流中的声音。 其开发的用例是创建了一个自建的婴儿监视器，以通过RaspberryPi + USB麦克风检测我的新生儿的哭声，但如果与便携式计算机一起使用，它应该足以检测任何类型的噪音或音频。训练有素的模型。 它通过将音频流分成短段进行工作，为每个段计算FFT和频谱仓，并使用此类频谱数据来训练模型以检测音频。 它适合于声音足够大以至于可以从背景中脱颖而出（例如，可以很好地检测到闹钟的声音，而不是飞蚊子的声音），而声音的大小要比块的大小长得多（非常短）声音将在音频块的频谱中留下很小的痕迹），甚至更好，如果它们的频率带宽与其他声音没有太多重叠（这很容易检测到婴儿的哭声，因为他/她的声音具有音调高于您的音调，但可能无法检测到同一年龄段的两名成年男子的声音在频谱特征上的差异）。 相反，如果您尝试使用它来检测语音，它的性能将不

1、yolov3行人跌倒检测，包含yolov3训练好的行人跌倒检测权重以及PR曲线，loss曲线等等，map达90% 多，在行人跌倒数据集中训练得到的权重，目标类别为fall 共1个类别，并附1000多张行人摔倒数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 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，可以和YOLOv5共用一个环境，配置好环境就可以加载已经训练好的模型直接进行测试，得出结果

1、yolov5车辆行人检测，包含yolov5s和yolov5m两种训练好的车辆行人检测权重，以及PR曲线，loss曲线等等，map达90% 多，在一万多张交通场景行人车辆数据集中训练得到的权重，有pyqt界面，目标类别为person和car 共2个类别，并附5000多张行人车辆检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 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

1、yolov3车辆行人检测，包含yolov3训练好的车辆行人检测权重以及PR曲线，loss曲线等等，map达90% 多，在一万多张交通场景行人车辆数据集中训练得到的权重，目标类别为person和car 共2个类别，并附5000多张行人车辆检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 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，可以和YOLOv5共用一个环境，配置好环境就可以加载已经训练好的模型直接进行测试，得出结果

1、yolov5水果新鲜程度检测，包含yolov5s和yolov5m两种训练好的水果好坏检测权重，有pyqt界面，目标类别为apple、bad banana、banana和bad apple 共4个类别，并附有几百张水果新鲜程度检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 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

1、yolov5车辆行人检测，包含yolov5s和yolov5m两种训练好的车辆行人检测权重，在一万多张交通场景行人车辆数据集中训练得到的权重，有pyqt界面，目标类别为person和car 共2个类别，并附5000多张行人车辆检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、pyqt界面可以 检测图片、视频和调用摄像头，有相应的选择项 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

1、yolov5水果新鲜程度检测，包含yolov5s和yolov5m两种训练好的水果好坏检测权重，有pyqt界面，目标类别为apple、bad banana、banana和bad apple 共4个类别，并附有几百张水果新鲜程度检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、pyqt界面可以 检测图片、视频和调用摄像头，有相应的选择项 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