yolov5实现目标检测，包括yolov5整个训练亲测流程，改代码配置好所需cuda、torch等环境后，可直接运行，或者按照训练流程重新训练和测试自己的数据集，包教会。

目标跟踪与计数，可参考，可训练自己的数据集

https://www.bilibili.com/video/BV1Qr4y1n7ML/?spm_id_from=333.999.0.0&vd_source=f038fae2eb026cbbe5b42dec789fea76

https://www.bilibili.com/video/BV1Qr4y1n7ML/?spm_id_from=333.999.0.0&vd_source=f038fae2eb026cbbe5b42dec789fea76

FOD(Foreign Object Debris)泛指可能损伤航空器或系统的某种外来的物质，常称为跑道异物。FOD的种类相当多，如飞机和发动机连接件(螺帽、螺钉、垫圈、保险丝等)、机械工具、飞行物品(钉子、私人证件、钢笔、铅笔等)、野生动物、树叶、石头和沙子、道面材料、木块、塑料或聚乙烯材料、纸制品、运行区的冰碴等等。

哔哩哔哩有演示视频-目标检测 原创拍摄 FOD(Foreign Object Debris)泛指可能损伤航空器或系统的某种外来的物质，常称为跑道异物。FOD的种类相当多，如飞机和发动机连接件(螺帽、螺钉、垫圈、保险丝等)、机械工具、飞行物品(钉子、私人证件、钢笔、铅笔等)、野生动物、树叶、石头和沙子、道面材料、木块、塑料或聚乙烯材料、纸制品、运行区的冰碴等等。 https://www.bilibili.com/video/BV1Qr4y1n7ML/?spm_id_from=333.999.0.0&vd_source=f038fae2eb026cbbe5b42dec789fea76

从0开始配置yolov5环境并训练自己的数据集

该算法可以实现深度学习去除各类图像中的伪影。Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。 Encoder 负责特征提取，可以将各种特征提取网络放在这个位置。 Decoder 恢复原始分辨率，该过程比较关键的步骤就是 upsampling 与 skip-connection。 Unet主要可分为三部分来看分别为左（特征提取），中（拼接），右（上采样） 特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。具体过程是，输入图片然后经过两个卷积核（3x3后面紧跟着一个Relu）以论文原图为例：输入572x572，经过两个卷积核（大小为3x3）大小从572-570-568，然后经过一个Maxpool（2x2）图片尺寸变为284这即为一个完整的下采样，接下来三个也是如此。在下采样的过程中，

paddledetection，训练自己的数据集，并进行预测

在PyCharm上自动划分深度学习训练的数据集（将你的原目录的数据集图片等 分成train和val集，并复制到你创建的目标文件夹）。只需要创建一个目标文件夹，程序会自动按照你设置的train和val的比例进行划分（会自动创建train和val文件夹）。