CenterNet:用于对象检测的关键点三元组

Android和树莓派上的TensorFlow-Lite对象检测 展示如何训练TensorFlow Lite对象检测模型并在Android，Raspberry Pi等上运行它们的指南！ 介绍 TensorFlow Lite是用于在资源受限的边缘设备上部署轻量级深度学习模型的优化框架。 TensorFlow Lite模型具有更快的推理时间和更少的处理能力，因此可用于在实时应用程序中获得更快的性能。 本指南提供分步说明，说明如何训练自定义TensorFlow对象检测模型，如何将其转换为TensorFlow Lite可以使用的优化格式以及如何在Android手机或Raspberry Pi上运行它。 该指南分为三个主要部分。 每个部分在此存储库中都有其自己的专用README文件。 如何在Windows 10上训练，转换和运行自定义TensorFlow Lite对象检测模型<---您在这里！

YOLO-V5在合作研究中对肺炎图像进行定位和分类 使用Ultralytics的对象检测模型YOLO-V5对自定义图像进行定位和分类 该存储库包含在colab中实现YOLO-V5的实现，以检测和分类肺炎和正常图像 用于此模型的数据来自以下链接（ ） Yolo_v5_Data_Preparation.ipynb-该文件包含所有必要步骤，可将我们的数据集转换为适合YOLO-V5实施的格式 我们必须克隆YOLO-V5的git存储库 YOLO_V5_Training.ipynb-此文件包含在图像上运行YOLO-V5训练所必须执行的操作和步骤 最后，YOLO_V5_Inference.ipynb-在这里，我们根据训练中保存的权重预测并验证模型结果 将来，我计划使用YOLO-V5添加印度卢比检测和分类

猪matlab原始码iHOG：定向梯度直方图 该软件包包含用于反转和可视化HOG功能的工具。 它实现了我们的论文“ HOGgles：可视化目标检测特征” [1]中描述的配对字典学习算法。 安装 必须先编译iHOG，然后才能使用此工具。 在MATLAB中执行“编译”脚本，以编译HOG特征提取代码并稀疏编码SPAMS工具箱： $ cd /path/to/ihog $ matlab >> compile 如果您在编译SPAMS代码时遇到麻烦，则可以尝试打开文件/path/to/ihog/spams/compile.m并调整计算机的设置。 记住也要调整路径，以便MATLAB可以找到iHOG： >> addpath(genpath('/path/to/ihog')) 如果要在自己的项目中使用iHOG，只需将iHOG目录拖放到项目的根目录中即可。 为了使用iHOG，您必须具有学习过的配对字典。 默认情况下，iHOG会在首次执行时尝试从MIT下载经过预训练的软件。 如果您希望手动下载它，只需执行以下操作： $ wget http://people.csail.mit.edu/vondrick/pd.

蓝环章鱼对象检测数据集，关于数据集由316张图像组成，每个标签都是Pascal Voc格式，不进行预处理或图像增强，不分为训练和测试。如果要用作图像分类，只需删除其xmllabel文件(制作于2022年8月至9月)

稀疏R-CNN：具有可学习建议的端到端对象检测 纸（CVPR 2021） 更新 （02/03/2021）通过使用更强大的主干模型报告了更高的性能。 （23/02/2021）通过使用更强大的预训练模型报告了更高的性能。 （02/12/2020）型号和日志（R101_100pro_3x和R101_300pro_3x）可用。 （26/11/2020）提供了模型和日志（R50_100pro_3x和R50_300pro_3x）。 （26/11/2020）通过将辍学率设置为0.0，报告了稀疏R-CNN的更高性能。 楷模 方法 inf_time train_time 盒式AP 程式库 22 FPS 24小时 45.0 22 FPS 28小时 46.5 13 FPS 50小时 45.7 方法 inf_time train_time 盒式AP 下载 23 FPS 19小时

关于FCOS的一些改进（FCOS：完全卷积One-Stage对象检测）

简单的物体检测程序 ##使用React js（ ）。 Tensorflow js（ ）。 安装 npm install 跑步 npm start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 npm test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 npm run build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 生成被最小化，并且文件名包括哈希值。 您的应用已准备好进行部署！ 有关更多信息，请参见关于的部分。 npm run eject 注意：这是单向操作。 eject ，您将无法返回！ 如果您对构建工具和配置选择不满意，则可以随时eject 。 此命令将从您的项目中删除单个生成依赖项。 相反，

Yolov7.onnx 模型文件，ONNX 对象检测 。 YOLO 是一种最先进的实时目标检测系统。 格式 ONNX v7 框架 pytorch 1.13.0 导入ai.onnx v12 输入 images type: float32[1,3,640,640] 输出 output type: float32[1,25200,85]

matlab 图像膨胀代码介绍 创建此存储库是为了探索使用扩展运算符从 LDR 图像构建 HDR 图像以训练 HDR 对象检测模型的可行性。 该存储库由 HDR 到 LDR 映射技术以及多个扩展运算符组成。 HDR 到 LDR 映射技术用于将原始 HDR 图像映射到 LDR 图像。 随后使用多种映射技术将 LDR 图像扩展回 HDR。 使用以下指标将预测（重建）的 HDR 图像与原始 HDR 图像进行比较： HDR-VDP2 puPSNR 和 puSSIM（PSNR 和 SSIM 的 HDR 版本） 使用的扩展运算符： 在这项工作中，我们为不同的扩展运算符使用了一些外部存储库。 一些已经包含在 matlab 代码中，一些其他基于深度学习的代码在以下链接中（从原始 repo 中分叉出来）： HDR扩展网 https://github.com/MASSIVE-VR-Laboratory/hdr-expandnet HDRCNN https://github.com/gabrieleilertsen/hdrcnn