复现yolov5行人追踪，计数功能。

基于深度学习的目标检测方向的最新方案的代码实现，检测性能明显高于YOLO，SSD等方法。

绝缘子闪络破损缺陷数据集 1600张 有标签 深度学习 绝缘子缺陷检测 目标检测 图像识别任务 有需要可以私信我~

DETR的介绍ppt，适用与课堂讲解，组会等。但本身内容没有写的特别详细，想要完全理解，最好配合一些其他资料。 推荐：B站：看李沐学AI 中有很多论文讲解视频，非常推荐

轻量化的训练 模型脚本,适合学习模型原理,可以训练你自己的数据集

yolov5口罩检测，此模型已融合了attention机制，best.pt放在主目录下，考虑到训练时间使用的yolov5x，mAp96%左右，能够较高的识别人脸是否佩戴口罩，可以修改损失函数继续进行优化

自己精心整理的深度学习一行一行敲faster rcnn keras版系列视频讲解mp4,华文讲解,很详细!打包成两部分,这是一 '1 1,网络训练深度学习一行一行敲faster rcnn keras版.mp4' '1 2,网络训练深度学习一行一行敲faster rcnn keras版.mp4' '1 3,网络训练深度学习一行一行敲faster rcnn keras版.mp4' '2 1,网络测试深度学习一行一行敲faster rcnn keras版.mp4' '2 2,网络测试深度学习一行一行敲faster rcnn keras版.mp4' '2 3,网络测试深度学习一行一行敲faster rcnn keras版.mp4' '3 1,rpn to roi函数深度学习一行一行敲faster rcnn keras版.mp4' '3 2,non max suppression fast函数深度学习一行一行敲faster rcnn keras版.mp4' '3 3,calc rpn函数深度学习一行一行敲faster rcnn keras版.mp4' '3 4,get anchor gt函数深度学习一行一行敲faster rcnn keras版.mp4' '3 5,RoiPoolingConv类深度学习一行一行敲faster rcnn keras版.mp4' '3 6,vgg py文件深度学习一行一行敲faster rcnn keras版.mp4' '3 7,calc iou函数深度学习一行一行敲faster rcnn keras版.mp4' '3 8,losses py深度学习一行一行敲faster rcnn keras版.mp4' 'faster rcnn网络介绍.mp4' 'XML文件读取与VOC数据集使用pascal voc parser py.mp4'

YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。本课程将手把手地教大家使用labelImg标注和使用YOLOv3训练自己的数据集。课程分为三个小项目：足球目标检测（单目标检测）、梅西目标检测（单目标检测）、足球和梅西同时目标检测（两目标检测）。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。包括：安装Darknet、给自己的数据集打标签、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。Darknet是使用C语言实现的轻型开源深度学习框架，依赖少，可移植性好，值得深入探究。 购课后可加入白勇老师课程学习交流QQ群：957519975除本课程《YOLOv3目标检测实战：训练自己的数据集》外，本人推出了有关YOLOv3目标检测的系列课程，请持续关注该系列的其它课程视频，包括：《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》《YOLOv3目标检测：网络模型改进方法》 敬请关注并选择学习！

包含yolov7算法预训练模型及yolov7代码下载、训练、测试、评估的代码指令，配置好相关环境可以直接运行。

 YOLOV4出现之后不久，YOLOv5横空出世。YOLOv5在YOLOv4算法的基础上做了进一步的改进，检测性能得到进一步的提升。虽然YOLOv5算法并没有与YOLOv4算法进行性能比较与分析，但是YOLOv5在COCO数据集上面的测试效果还是挺不错的。大家对YOLOv5算法的创新性半信半疑，有的人对其持肯定态度，有的人对其持否定态度。在我看来，YOLOv5检测算法中还是存在很多可以学习的地方，虽然这些改进思路看来比较简单或者创新点不足，但是它们确定可以提升检测算法的性能。其实工业界往往更喜欢使用这些方法，而不是利用一个超级复杂的算法来获得较高的检测精度。本文将对YOLOv5检测算法中提出的改进思路进行详细的解说，大家可以尝试者将这些改进思路应用到其它的目标检测算法中。 ———————————————— 版权声明：本文为CSDN博主「技术挖掘者」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。 原文链接：https://blog.csdn.net/WZZ18191171661/article/details/113789486