VisionMaster 3.4.0深度学习目标检测训练说明

用于标注视频，可以用于生成目标检测数据集以及reid数据集。 配合上脚本使用可以更快地完成数据集构建工作。软件使用方法也在博客中，主要有两个模型进行跟踪，标注人员只需要微调即可，tracker1用于追踪运动多的目标，trakcer2用于追踪以静止为主的目标，可以灵活切换两个tracker

上传的是txt文件,里面含有数据集的下载链接和密码，下载方式为百度网盘。 数据集文件是在清华实验室采集到的交通路口图片的基础上，使用labelme对其进行交通信号灯的标注，标注采用VOC格式，全部手工标注，标注图片一共9812张，耗时两个月左右，质量有保证。标注类别共18类，包括红灯，绿灯，黄灯的各类箭头，以及行人，自行车的信号灯类别。整体文件包括原始图片，对应标签，保存有文件名的txt文件以及含有具体类别名称的txt文件。全部打包上传。 已经经过本人使用YOLOV3和fast-r-cnn模型亲自测试,数据集数据真实有效。 相关的模型的文件和训练文件也已经全部上传，可在我发布的其他资源里找到

--Tensorflow+SSD+Yolo（目标检测）文章11.视频检测 该资源是本篇文章的操作步骤以及参考帖子的截图，以防参考帖子失效。

免费下载，不需要积分或者C币

免费下载，不需要积分或c币

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初2013年提出的R-CNN、OverFeat，到后面的Fast/Faster R-CNN，SSD，YOLO系列，再到2018年最近的Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从two stage到one stage，从bottom-up only到Top-Down，从single scale network到feature pyramid network，从面向PC端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。

该资源包含了近些年经典的基于深度学习的目标检测论文，有RCNN、Fast-RCNN、Faster-RCNN、Mask-RCNN以及YOLO系列

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些 年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测，技术本文总结了近十年来的深度学习目标检测算法

可用于视频目标检测的深度学习代码，完整好用，可直接运行