从整个数据集随机采样获得的11000个图片以及其标注的数据, 适用于方法的初级快速验证. 可以有效节约时间.

CDIoU-CDIoUloss CDIoU和CDIoU丢失就像一个方便的插件，可以在多个模型中使用。 CDIoU和CDIoU损失在Faster R-CNN，YOLOv4，RetinaNet和。 与传统的评估反馈模块相比，MS COCO数据集的最大AP改进为1.9％，平均AP改进为0.8％。 这里我们仅以一个示例来说明代码。 控制距离IoU和控制距离IoU损耗功能 ，苗多千 介绍 反馈机制的众多改进为对象检测的巨大进步做出了贡献。 在本文中，我们首先提出一个评估反馈模块，该模块由评估系统和反馈机制组成。 然后，我们分析并总结了传统评估反馈模块的缺点和改进。 最后，我们专注于评估系统和反馈机制，并提出了控制距离IoU和控制距离IoU损失函数（或简称为CDIoU和CDIoU损失），而没有增加模型中的参数或FLOP，这对几种经典模型显示了不同的显着增强。和新兴模型。 一些实验和比较测试表明，协调

验证集随机采样的3000张图片的数据和标注, 适用于快速验证模型效果节约时间

制作coco数据集。

包含机器学习、深度学习以及NLP常用的几款数据集，很适合收藏

这是一个可以将labeme标注的json文件转换成标准的coco json格式，转换后可以方便用于目标检测，实例分割，图像分割训练。注意这个软件只能在windows10 x64上使用，由于软件加壳，部分软件可能会误报，没有病毒请放心使用，如果不信可以不用哦。这个软件通过界面操作，傻瓜式操作不需要写代码，一键即可转成。

简单的多数据集检测 在具有统一标签空间的多个大规模数据集上训练的对象检测器； ECCV 2020强大视觉挑战的获奖解决方案。 周兴义，弗拉德伦·科尔通，菲利普·克拉伦布， arXiv技术报告（ ） 联系人： 。 任何问题或讨论都欢迎！ 抽象的 我们如何建立一个通用而广泛的物体检测系统？ 我们使用曾经标注过的所有概念的所有标签。 这些标签跨越具有潜在不一致分类法的各种数据集。 在本文中，我们提出了一种在多个大型数据集上训练统一检测器的简单方法。 我们使用特定于数据集的训练协议和损失，但与特定于数据集的输出共享通用的检测架构。 我们展示了如何将这些特定于数据集的输出自动集成到常见的语义分类法中。 与以前的工作相比，我们的方法不需要手动分类。 我们的多数据集检测器在每个训练域上的性能和特定于数据集的模型一样好，但是可以更好地推广到新的看不见的域。 基于提出的方法的条目在ECCV 2020

cascade_rcnn_dconv_c3-c5_r50_fpn_1x_20190125-dfa53166.pth深度学习公开模型文件。使用coco数据集训练。

运行VBS，调用程序，CTRL+F5快速选择区域识别

内有 COCO_test-dev2017_detections_AP_H_609_person.json COCO_val2017_detections_AP_H_56_person.json两个文件