人工智能-项目实践-图像识别-基于深度学习的口罩佩戴检测，Keras-YOLOv3 实现。 MaskDetect 基于深度学习的口罩佩戴检测，Keras-YOLOv3 实现。

博客：https://blog.csdn.net/qq_34904125/article/details/124854899 本篇是python语言写的，pytorch框架，基于mobilenet训练水果数据集，数据集也可以自行替换， 文件夹下放对应的图片即可，通过01demo即可生成txt文本的数据集，存放图片路径和标签。 02demo使用迁移学习的mobilenet卷积网络对图像进行训练模型， 03demo是通过flask接口调用模型，与小程序界面参数交互 代码中有说明文档 然后小程序的完整上传图片代码也在里面，都是可以直接使用的。

含源码和数据集，搭建SVM和CNN模型进行训练测试，准确率0.99，欢迎入门者参考学习

2012年以来，深度神经网络在计算机视觉、语音识别、自然语言处理、智慧 医疗等多个领域取得了优异的成果。这是卜数只偶，也是水到渠成。究其本质， 还是得益于三个基础的驱动，包括:大数据(充分标注)、大模型(参数量庞大) 和大计算(高性能计算)。正因为对这三个基础的严重依赖，也在一定程度上限 制了人工智能的进一步发展和普及。首先，大模型对大数据的过度依赖表现在其 在训练阶段必须在大量的标注充分的数据下训练，否则模型的准确率将大大降 低。很多新的应用场景的样本获取困难并且标注成本极高，因此不少学者开始 研究小样本学习方法，目的是当面对一个新的场景时，快速的从少量的有标记 样本中学会认识新的类别。其次，大模型对大计算的依赖表现在其无论在训练 和测试阶段均需要拥有大量存储空间和优异计算性能的硬件平台的加持。那么， 对于很多的存储和计算资源均极其有限的测试场景，比如移动端(智能手机，自 动驾驶汽车等)，离线监控设备(公共摄像头，汽车行车记录仪等)，现有的训练 好的大模型将会出现水土不服，无法顺利落地。于是，模型轻量化问题也被领域 内科研人员广泛关注。研究模型轻量化的目的是压缩模型参数量，使其在移动

前三步和人脸检测几乎一样 人脸检测地址 https://blog.csdn.net/weixin_45736927/article/details/104696428 唯一不同的,就是我们需要创建一个通用物体和场景识别,重新获取一个API Key和Secret Key,获取Token方法一样,只不过里面的这2个参数（API Key和Secret Key）不一样 第四步 Token和工具类准备完毕,写图片识别代码 识别图片 PictureRecognition类 import java.net.URLEncoder; /** * 通用物体和场景识别 */ public class Pictu

北京邮电大学计算机学院鲁鹏老师的计算机视觉与深度学习课程第八章：视觉识别

训练集数据分布 类别 数量 单行 101168张 多行 12342张 总计 113510张 标签说明：train.txt为训练集标签，对应的图片文件夹为train_data, “ImageFile” 对应图片名，“Label” 对应latex标签

从过境车辆图片或视频中提取7014、4204、1223、1225、4010、6038等交通违法。 10万过境车可提取约2000违法车辆，使用英伟达独立显卡，10万记录一小时左右识别完。 识别完成后，软件会把提取到的图片按违法代码分类存在不同的文件夹。 后期用违法录入软件一键导入即可上传到交警集成指挥平台。 注意：电脑要配备英伟达显卡，并安装最新显卡驱动。

做两个图，一个是普通两阶级联检测器RCNN，另一个是Cascade RCNN。平时应用的时候没有那么深究内部的关系，做完图有了更深刻更连贯的理解。

在全球能源互联网的大力推动下,我国交直流电网建设得到快速发展。随着人工智能技术领域的不断革新,采用图像识别等新技术推动电力输电巡检业务发展成为近年来电网行业的重大课题。输电线路运行状态识别智能化工作,主要内容包括输电线路运行状态识别智能化、输电线路缺陷识别智能化、输电线路隐患识别智能化三个方面。传统的模式识别技术,已经无法满足新形势下的输电立体化巡检发展需求。无法高精准的对小部件、复杂背景缺陷、隐患进行识别。亟需自学习能力的人工智能技术,对架空输电线路设备本体缺陷及通道环境内的异常及风险情况进行识别分析。本文围绕这一课题领域,重点研究了输电线路本体装置及通道巡视对象基于人工智能图像识别技术的隐患排查与故障定位技术,并结合先验知识提出输电线路立体巡视模式,以应用模式研究为基础,设计研发了一套输电线路影像数据共享及应用示范系统,快速精准研判故障定位与缺陷类型,进而及时有效的针对性开展消缺及风险隐患排除工作,确保电力系统安全稳定运行。