VS2013，openCV331环境，C++代码，导入YOLO学习结果，实现对象检测。

envi深度学习对象检测实例

Tensorflow.js

3D检测套件 此仓库包含几个有用的脚本，这些脚本可用于3D检测算法开发。 包括： 在激光雷达点云上加载和可视化； 生成bev地图（鸟瞰图）； 在点云上显示3D边界框； 在带有calib参数的图像上投影3D边界框； 在bev影像角度上显示bbox； 更新 2020- ：将会继续。 2019-02-27 ：更新vis_3d，它现在可以使用具有3D边界框的mayavi可视化点云。 用法 直接使用： python3 show_pc.py 您会看到点云。 您还应该先使用以下命令安装open3d ： sudo pip3 install open3d-python 讲解 要获取更多信息，您可以访问我们的社区论坛进行交谈： : 将点云转换为bev地图 获取点云的bev地图。 它应该构造一个具有一定宽度和高度的图像，然后每个像素值应为z，如果在顶视图中没有点，则z应该为0，这样bev图像

加权盒融合 存储库包含Python方法的几种实现，这些方法用于组合对象检测模型中的框： 非最大抑制（NMS） 软网管 非最大加权（NMW） 加权框融合（WBF） -与其他方法相比，可以提供更好的结果的新方法 要求 Python 3。*，Numpy，Numba 安装 pip install ensemble-boxes 用法示例 预计将标准化的框的坐标，例如，范围为[0; 1]。 顺序：x1，y1，x2，y2。 下面的2种型号的盒装示例。 第一个模型预测5个盒子，第二个模型预测4个盒子。 每个盒子模型的置信度得分1：[0.9、0.8、0.2、0.4、0.7] 每个盒子模型2的置信度得分：[0.5、0.8、0.7、0.3] 每个包装盒型号1的标签（类）：[0，1，0，1，1] 每个盒子模型2的标签（类）：[1、1、1、0] 我们将第一个模型的权重设置为2，将第二个模型

darknet_ros：YOLO ROS：ROS的实时对象检测

NAS-FPN：用于对象检测的学习可扩展特征金字塔结构

matlab中的f-measure代码显着物体检测评估（Evaluate SOD） 流行 SOD 指标的 PYTHON 实现，包括 MAE、F-measure、S-measure、E-measure 和加权 F-measure 使用 GPU 实现对显着对象检测的快速评估，包括MAE、Max F-measure、S-measure、E-measure 。 代码是从 matlab 版本重新实现的，可从 获得，从 修改。 请注意，在 E-measure、加权 F-measure 和 S-measure 中考虑了完全黑色的ground truth； 排除在 F-measure 中（与 中的 Matlab 代码一致）。 使用 pytorch 实现 GPU，可以更轻松地嵌入到 eval 代码中。 如果您发现代码对您的研究有用，请引用以下论文。 @inproceedings{fan2017structure, title={{Structure-measure: A New Way to Evaluate Foreground Maps}}, author={Fan, Deng-Ping and

您可以将 GPU Coder:trade_mark: 与 Deep Learning Toolbox:trade_mark: 结合使用，在使用 NVIDIA:registered: Jetson 和 Drive 平台的嵌入式平台上生成代码并部署深度学习网络。 即使没有神经网络、深度学习或高级计算机视觉算法方面的专业知识，预训练的网络和示例（例如对象检测、图像分类和驾驶员辅助应用程序）也可以轻松使用 GPU Coder 进行深度学习。 我们从 MATLAB 中已发布的示例开始，该示例解释了如何训练 YOLO v2 对象检测器，并使用 GPU Coder:trade_mark: 生成优化的 CUDA 代码，并使用适用于 NVIDIA:registered: GPU 的硬件支持包，将生成的代码部署到 Jetson Xavier板作为一个独立的应用程序。 下载包含可用于生成代码的附加脚本和函数。 有关 MATLAB 中的示例和所有必需文件，请参阅以下文档链接： 使用YOLO v2深度学习进行对象检测：

视频序列中的运动对象检测和跟踪算法_英文_.doc