带板检测的车辆速度估算 该项目的主要目标是使用深度学习和机器学习算法来识别超速车辆。 从视频中获取一系列图像后，使用Haar Cascade分类器检测卡车。 使用大量正负图像训练分类器模型，以制作XML文件。 接下来是跟踪车辆并借助其各自的位置，ppm（每米像素）和fps（每秒帧）来估计车辆的速度。 现在，已识别卡车的裁剪图像将被发送以进行车牌检测。 CCA（连接组件分析）有助于进行车牌检测和字符分割。 使用字符图像（20X20）对SVC模型进行训练，并且为了提高准确性，还完成了4次交叉折叠验证（机器学习）。 该模型有助于识别分段字符。 识别后，将卡车的计算出的速度及其车牌号一起输入到excel表中。 还为这些卡车分配了一些ID，以生成系统化的数据库。 要运行Speed_Detection _＆_ License_Plate_Detection.py，请按照以下步骤操作： 从此站点下载

Unet：U-Net: Convolutional Networks for Biomedical Image Segmentation目标检测模型在Keras当中的实现 目录 性能情况 unet并不适合VOC此类数据集，其更适合特征少，需要浅层特征的医药数据集之类的。 训练数据集 权值文件名称 测试数据集 输入图片大小 mIOU VOC12+SBD VOC-Val12 512x512 55.74 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 unet_voc.h5是基于VOC拓展数据集训练的。 unet_medical.h5是使用示例的细胞分割数据集训练的。 在使用时需要注意区分。 文件下载 训练所需的unet_voc.h5和unet_medical.h5可在百度网盘中下载。 链接: 提取码: f38i VOC拓展数据集的百度网盘如下： 链

CenterNet:Objects as Points目标检测模型在Pytorch当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 512x512 - 77.1 COCO-Train2017 COCO-Val2017 512x512 38.4 56.8 所需环境 torch==1.2.0 注意事项 代码中的centernet_resnet50_voc.pth是使用voc数据集训练的。 代码中的centernet_hourglass_coco.pth是使用coco数据集训练的。 注意不要使用中文标签，文件夹中不要有空格！ 在训练前需要务必在model_data下新建一个txt文档，文档中输入需要分的类，在train.py中将classes_path指向该文件。 文件下载 训练所需的

Facenet：人脸识别模型在Keras当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 accuracy CASIA-WebFace LFW 160x160 97.86% CASIA-WebFace LFW 160x160 99.02% 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 文件下载 已经训练好的facenet_mobilenet.h5和facenet_inception_resnetv1.h5可以在百度网盘下载。 链接: 提取码: tj5r 训练用的CASIA-WebFaces数据集以及评估用的LFW数据集可以在百度网盘下载。 链接: 提取码: gkch 预测步骤 a、使用预训练权重 下载完库后解压，在model_data文件夹里已经有了facenet_mobilenet.h5，可直接运行predict.py

利用官方模型进行自定义训练自己的模型，object_detection，tf2,目标检测

文字检测ctpn模型，训练好的模型checkpoints_mlt，下载后解压，把checkpoints_mlt/放入text-detection-ctpn/文件夹下。

改代码可实现keras预测图像类别。基于python3，改代码具体讲解了如何输出预测类别，通过建立列表形式准确输出中文类别。

tensorflow对数据集中数据的读取与运算结果保存、训练模型、测试模型

pytorch_classification 利用pytorch实现图像分类，其中包含的密集网，resnext，mobilenet，efficiencynet，resnet等图像分类网络，可以根据需要再行利用torchvision扩展其他的分类算法 实现功能 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，修正与投票融合 利用flask实现模型云端api部署 使用tta测试时增强进行预测 添加label smooth的pytorch实现（标签平滑） 添加使用cnn提取特征，并使用SVM，RF，MLP，KN

开发环境：VS2019 ver16.9.4 .net5.0 windowsform 基于模型TinyYolo2_model，可以识别飞机”，“自行车”，“鸟”，“船”，“瓶子”， “公共汽车”，“汽车”，“猫”，“椅子”，“牛”， “diningtable”，“狗”，“马”，“摩托车”，“人”， “盆栽”，“绵羊”，“沙发”，“火车”，“电视监视器”