VisDrone2018 说明：后续可能不更新了。 Tips: this repo will not be updated. Baseline： Name maxDets Result Average Precision (AP) @( IoU=0.50:0.95) maxDets=500 15.8738%. Average Precision (AP) @( IoU=0.50 ) maxDets=500 21.7822%. Average Precision (AP) @( IoU=0.75 ) maxDets=500 17.1753%. Average Recall (AR) @( IoU=0.50:0.95) maxDets= 1 0.83255%. Average Recall (AR) @( IoU=0.50:0.95) maxDets=

未来发展 建筑学 一般流程 视频输出 坑洼部署 坑洼探测系统的部署环境 Sagemaker部署说明 将定制的机器学习包部署到sagemaker。 有很多活动部件。 让我们通过标准的工作流程。 Docker镜像 关键组件是使您的设置能够正确使用docker进行编译。 安装Docker并使用docker run hello-world测试hello world示例，您应该看到“来自Docker的Hello ！！此消息表明您的安装似乎正常工作”。 运行以下标准命令以在本地验证设置： Docker build -t trial1 . 它将构建环境并下载大型模型 Docker run -p 80:8080 trial1 serve . 这将在本地启动docker容器。 运行[serve]程序/命令，该命令将启动wsgi和predictor.py Flask处理程序。 •注意：如果收到错误“

喀拉拉邦 更快的R-CNN的Keras实现：通过区域提议网络实现实时目标检测。 从克隆 修复了从原产地奥克隆克隆时的几个错误 用法： theano和tensorflow后端都受支持。 但是在theano中编译时间非常长，强烈建议使用Tensorflow。 train_frcnn.py可用于训练模型。 要训​​练Pascal VOC数据，只需执行以下操作： python train_frcnn.py -p /path/to/pascalvoc/ 。 Pascal VOC数据集（分类对象周围边界框的图像和注释）可以从以下网站获得： : simple_parser.py提供了使用文本文件输入数据的另一种方法。 只需提供一个文本文件，每行包含： filepath,x1,y1,x2,y2,class_name 例如： /data/imgs/img_001.jpg,837,346,981

基于yolov7+crnn的车牌检测和中文车牌识别项目源码+数据集+项目说明.zip 国内中文车牌都可识别 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

faster-rcnn-orpn-r101-fpn-1x-mssplit-rr-dota10-epoch12

graph-rcnn.pytorch 我们的ECCV 2018论文Pytorch代码 介绍 该项目是一组基于Pytorch 1.0的重新实现的代表性场景图生成模型，包括： 我们自己的 。 ECCV 2018。 Xu等人。 CVPR 2017 ，Li等。 ICCV 2017 ，Zellers等。 CVPR 2018 ，Zhang等，CVPR 2019 我们的重新实现基于以下存储库： 为什么我们需要这个存储库？ 将所有这些代表性方法收集到一个回购中的目的是在相同设置下跨不同方法建立更公平的比较。 您可能会在最近的文献中注意到，IMP，MSDN，Graph R-CNN和神经母题的报告数量通常令人困惑，尤其是由于IMP样式方法（前三种）和神经母题风格的方法（神经母题）之间存在较大差距纸和其他基于它的变体） 。 我们希望该仓库可以为各种场景图生成方法建立良好的基准，并为研究界做出贡献

Girshick - 2015 - Fast r-cnn.pdfGirshick - 2015

更快的RCNN Faster RCNN的基本实现

win10下搭建Mask Rcnn环境详细教程并运行第一个demo程序（包含Anaconda+Tensorflow-gpu+Cuda+cuDnn安装过程及各种坑）-附件资源

基于pytorch预训练模型使用Faster RCNN调用摄像头进行目标检测【无敌详细！简单！超少代码！】