使用mask-rcnn进行人体实例分割和关键点检测的官方模型mask_rcnn_coco.h5，为了提高下载速度，因此在csdn上进行了上传，有需要的可以进行下载

U-net实例分割，训练自己的数据集，模型简洁，易于学习。

使用yolov7 mask进行实例分割所需要的coco2017标签文件

写脚本自动生成目标检测和实例分割的训练数据，帮忙图像方面项目，python写的，根据自己的需求可以修改，包括一些图像的增强操作，旋转膨胀腐蚀等

VisTR：使用变压器的端到端视频实例分段 这是的正式实施： 安装 我们提供了有关如何通过conda安装依赖项的说明。 首先，在本地克隆存储库： git clone https://github.com/Epiphqny/vistr.git 然后，安装PyTorch 1.6和torchvision 0.7： conda install pytorch==1.6.0 torchvision==0.7.0 安装pycocotools conda install cython scipy pip install -U 'git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI' pip install git+https://github.com/youtubevos/cocoapi.git#"egg=pyc

实例分割coco标注数据集.zip

输电线路杆塔、导线分割图像数据集（含分割标签，1242张图像，网盘下载链接），输电线路巡检图像数据 输电线路杆塔、导线分割图像数据集，含分割标签，1242张图像，标签文件为json格式分割标签，格式为yolo格式标签，包含杆塔、绝缘子、导线等等，可用于语义分割与实例分割！

tensorflowlite 实例分割 安卓app 可直接安装

【AI科技大本营导读】目前，计算机视觉是深度学习领域最热门的研究领域之一。计算机视觉实际上是一个跨领域的交叉学科，包括计算机科学（图形、算法、理论、系统、体系结构），数学（信息检索、机器学习），工程学（机器人、语音、自然语言处理、图像处理），物理学（光学 ），生物学（神经科学）和心理学（认知科学）等等。许多科学家认为，计算机视觉为人工智能的发展开拓了道路。那么什么是计算机视觉呢？这里给出了几个比较严谨的定义：“对图像中的客观对象构建明确而有意义的描述”（Ballard＆Brown，1982）“从一个或多个数字图像中计算三维

1、通过滑动窗口分类检测 2、多尺度（和纵横比）来检测不同大小的对象 3、困难负例挖掘的重要性（由于类不平衡） 4、通过仅选择窗口子集来加速训练和推理 5、使用 CNN 进行对象类别检测 两阶段方法：Faster R CNN 一段式方法：SSD 评价数据集：COCO 6、涉及最先进的方法最近的改进 模块：特征金字塔网络、焦点损失 培训：复制粘贴数据增强 架构：RetinaNet、CenterNet、FCOS、Mask R CNN、DETR、Swin 7、实例分割 8、使用移位窗口的分层视觉转换器 9、DETR：使用变压器进行端到端对象检测 10、复制粘贴和大规模抖动数据增强 11、对象检测、分割、实例分割等的新基准数据集： LVIS（Large Vocabulary Instance Segmentation）：1200个类别，164K 图像，220万个实例分割