1、YOLO苹果缺陷目标检测数据集包含700张高质量的真实场景图片，图片格式为jpg。数据场景丰富，分为训练集和验证集。 2、使用lableimg标注软件进行标注，标注框质量高，标签格式为VOC格式（即xml标签）。这些标签可以直接用于YOLO系列的目标检测任务。

Bdd100k数据集，涵盖了不同车型在不同天气条件下以及在白天和夜晚的图片.数据集预处理进行了增强处理,其中包括:亮度调整、图像模糊、图像加噪、翻转旋转变换等,数据集包含9000余张图片.训练集、验证集、测试集比例约为8:1:1.

使用C++ 与ONNXRuntime部署yolov8旋转目标检测源码+模型(c++).zip

项目包含：路面缺陷检测数据（4类别），数据保存按照YOLOV5文件夹保存，可直接用作目标检测数据集，无需额外处理。 图像分辨率为600*600的RGB图片，数据集道路上的缺陷检测 【数据集介绍】路面缺陷图像数据，4类别：纵向裂纹、横向裂纹、坑洞、不规则裂缝 【数据总大小】74 MB 数据分为分为训练集和验证集 训练集datasets-images-train：841张图片和841个标签txt文件组成 验证集datasets-images-val：231张图片和231个标签txt文件组成 【txt类别文本文件】4类别的具体类别信息 为了方便查看数据，提供了可视化py文件，随机传入一张图片即可绘制边界框，并且保存在当前目录。脚本无需更改，可以直接运行

利用目标区域点的集合与外围自定义区域形成一个环形遮罩层，高亮显示所选行政区划，遮盖非目标区域。

1）整个yolov5模型 2）二维码数据集 3）二维码训练得到的模型 4）模型转成onnx格式，在opencv dnn下调用 5）二维码检测识别程序

采用tensorflow（python）实现 YOLO v3目标检测算法，可对图片，包含图片的文件夹、摄像头和视频进行对如下20个类物体的检测。

yolov5 yolov5_使用yolov5+deepsort进行无人机目标跟踪

该资源详细解读可关注博主免费专栏《论文与完整程序》21号博文 大量电动汽车投入运营，其充放电将对电力系统产生很大影响。针对电动汽车分层分区域控制模式，重点分析底层控制中心接收到上级调度指令后如何协调与控制本区域内电动汽车的充放电行为。考虑电动汽车充放电地点的分散性和时间的随机性，提出了一种区域内电动汽车充放电控制策略。通过仿真计算，得到了该控制方式下区域内电动汽车充放电对负荷曲线的影响。电动汽车充电负荷作为可调度负荷，可减小负荷高峰期的供电压力，提高负荷低谷时的机组利用率，提高电网的经济运行水平，其优化调度对电网意义重大。基于部分电动汽车用户实际中不接受电网调度的事实，以所有电动汽车用户的充电成本之和最小、电网负荷方差最小为目标，以用户充电需求等为约束，建立了电动汽车负荷的多目标优化调度模型。模型在保证用户充电获益的同时优化电网运行。采用改进粒子群算法求解模型，仿真结果表明，用户充电选择将影响充电调度方案、用户经济性和电网运行安全。在充电调度中，需要考虑用户的充电选择。

079面向削峰填谷的电动汽车多目标优化调度策略.zip