2014年CVPR发表的一篇文章，介绍了一种基于区域特征整合的显著区域检测方法，很值得借鉴。

旷视科技发布了通用物体检测数据集Objects365，包含63万张图像，覆盖365个类别数量，高达 1000 万的框数，超越了Pascal VOC、ImageNet、COCO数据集。，成为史上最大通用物体检测数据集。本资源提供Objects365数据集下载网盘链接，如果失效可以根据文件内邮箱进行咨询。

Moving Object Detection and Segmentation using Background Subtraction by Kalman Filter

YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现： 演示版 输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。 输入尺寸： 608 x 608 x 3 输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, w, h, θ) cx, cy, cz ：中心坐标。 l, w, h ：边界框的长度，宽度，高度。 θ ：包围盒的航向角，以弧度为单位。 对象：汽车，行人，骑自行车的人。 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 2.入门 2.1。 要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。 资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyn

小目标检测

:NEW_button: 您是否正在寻找由TF2.0实现的新YOLOv3？ 如果您非常讨厌tensorflow1.x，请不用担心！ 我已经用TF2.0实现了一个新的YOLOv3存储库，并且还制作了一个中文博客，介绍如何从头开始实现YOLOv3对象检测器。 | | 第1部分。快速入门 克隆此文件 $ git clone https://github.com/YunYang1994/tensorflow-yolov3.git 您应该在掌握这些代码之前先安装一些依赖项。 $ cd tensorflow-yolov3 $ pip install -r ./docs/requirements.txt 将已加载的COCO权重导出为TF检查点（ yolov3_coco.ckpt ）【 】 $ cd checkpoint $ wget https://github.com/YunYang1994/tensorflow-

YOLOv5 LibTorch 通过LibTorch C ++ API部署YOLOv5进行实时对象检测 环境 Ubuntu 18.04 OpenCV 3.2.0 LibTorch 1.6.0 CMake 3.10.2 入门 安装OpenCV。 sudo apt-get install libopencv-dev 安装LibTorch。 wget https://download.pytorch.org/libtorch/nightly/cpu/libtorch-shared-with-deps-latest.zip unzip libtorch-shared-with-deps-latest.zip 编辑“ CMakeLists.txt”以正确配置OpenCV和LibTorch。 编译并运行。 cd build cmake .. make ./../bin/YOLOv5

Tensorflow-2-Object-Detection-API-Flask-Application 这是一个已部署tensorflow 2对象检测API的flask应用程序。 用户使用图像数据敲击端点并获得响应，该响应包括带分数的检测，带覆盖的图像数据，图像大小（可以自定义）。 先决条件和设置 您需要设置 。 这里有一些很棒的文章， ， ，可以在此过程中为您提供帮助。 您可以从下载所需模型并在main.py文件中指定save_model，labelmap路径 client.py命中端点。 您必须在client.py文件中指定带有端点image_path，output_dir（要在其中保存带有叠加层的图像的目录。它是可选的）的url。 跑步 首先运行python main.py以使应用程序运行，然后使用必需的参数命中端点，请运行python client.py 输出 响应包括 有

数据集对对象检测的预处理 该存储库包含一些python解析器脚本，用于将其他公共数据集转换为voc数据格式 笔记 我并不是要提供这些脚本的用法，修改这些文件非常简单 该存储库中的大多数文件都非常相似，您可以根据自己的目的运行 环境 python 3.5

RCNN