随着深度学习的研究热潮，近年来对车辆目标的检测逐步从机器学习方法转变为深度学习方法.目前，大多数深度学习方法对车辆目标的检测都存在不同程度的错检漏检问题.针对车辆目标检测中存在的小目标的错检漏检、截断式待检目标的漏检和重叠遮挡待检目标的漏检等问题，提出一种基于增量学习数据集的车辆目标检测方法，该方法与Faster R-CNN算法结合对车辆目标实现检测和分类.在实验的最后，分别从主观判断和客观检测数据两个方面，对比了车辆目标检测中未使用增量学习方法和使用增量学习方法对实验结果的影响.实验证明，使用基于增量学习和Faster R-CNN的车辆目标检测方法在主观判断方面对错检漏检的目标有明显地改善效果，从客观数据分析，使用该方法与未使用增量学习方法相比，VGG16网络mAP值提升了4%，ResNet101网络mAP值提升了6%.

行人跌倒数据集（VOC格式）

内容概要：9198张苹果目标检测数据集，采用的yolo格式（txt），类别名是0，非常方便训练，数据属本人苦心整理而得，放到机子里就能跑。只有苹果一类数据，不过数据包含多种环境下的苹果，训练出来的模型效果较好。

用于实现火焰和烟雾检测的数据集 3000张 标签为json格式 直接下载可用

yolov6权重文件：yolov6t.pt

基于pytorch与yolo-v5的猪脸目标检测模型与代码，带有训练好的模型权重，开箱即用 带有测试样例代码，可以直接运行

数据标注工具labelme中文版，适合用于目标检测与分割任务的相关数据集制作，提供json数据格式及转换功能。其功能方便快捷，提供一键执行程序，无需额外下载其他安装包。

其中吸烟监测、口罩率监测、火宅监测都由目标检测算法YOLO算法训练所得，项目中也提供了训练代码。行为安全监测由OpenPose算法提取人体姿态再进行分类识别；人群密度监测由MSCNN算法进行估计；行为轨迹跟踪由目标检测+Deepsort跟踪轨迹绘制而成。 ### 以行为轨迹跟踪为例

运动目标检测是智能视频监控中的关键问题.Vibe是一种典型的运动目标检测算法,但是这种方法存在对鬼影消除速度缓慢以及对全局光线变化的抗干扰性差等缺点.本文提出一种改进算法,改进Vibe的背景模型更新机制,引入三帧差法作为参考帧,提升了消除鬼影的速度和背景模型的稳定性.提出一种全局光线抗干扰策略,降低了全局光线对目标检测的干扰,并通过实验验证了本文算法的有效性和可行性.

输电线路异物数据集（4517+VOC），包含约4k张8k分辨率的高质量图像。已由我们整理好分为训练集、测试集，可直接用于YOLO