本项目通过yolov5进行目标检测，deepsort对出现的车辆和人进行跟踪和ID更新，并在视频的每一帧记录出现目标的出现次数，最后统一统一视频中出现目标的起止时间 下载按照readme.md进行虚拟环境搭建，然后直接运行即可

yolov5疲劳驾驶检测，疲劳检测，pyqt5，目标检测，深度学习，网络优化，目标检测接单，yolov5，yolov7，yolov8 扣：2046删532除381 语言：python 环境：pycharm，anaconda 功能：有训练结果，可添加语音报警，可统计技术，可定制yolov7，yolov8版本 注意: 1.可定制！检测车辆，树木，火焰，人员，安全帽，烟雾，情绪，口罩佩戴……各种物体都可以定制，价格私聊另商！ 2.包安装！如果安装不上可以保持联系，3天安装不上可申请退货！

yolov5 车辆实时测距，可以换成自己的模型检测自己的物体。

擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真。

python yolov5 训练数据集 无人机航拍数据集合 人工智能 深度学习 目标检测 目标识别

目标检测领域发展至今已有二十余载，从早期的传统方法到如今的深度学习方法，精度越来 越高的同时速度也越来越快，这得益于深度学习等相关技术的不断发展。本文将对目标检测 领域的发展做一个系统性的介绍，旨在为读者构建一个完整的知识体系架构，同时了解目标 检测相关的技术栈及其未来的发展趋势。由于编者水平有限，本文若有不当之处还请指出与 纠正，欢迎大家评论交流！

配网单相接地故障时因故障电流小,其选线问题一直未能得到很好的解决。文章以适当的频率带宽对发生单相接地故障后各条线路的暂态零序电流进行分解,利用暂态零序电流在选线频带内小波系数的幅值和极性特征选出故障线路,并对采样频率和分解尺度的选择做了说明,给出了详细的故障选线步骤,MATLAB仿真实验表明,该方法不受接地电阻的影响,抗干扰能力强,选线准确、可靠性高。

煤矿井下低照度成像环境会导致图像中产生泊松噪声,将引起激光光斑图像的强度和形状分布的不确定性,从而影响激光三角测距的精度。提出了一种基于PURE-LET(Poisson Unbiased Risk Estimator-Linear Expansion of Threshholds)的煤位表面激光光斑图像的快速小波域去噪算法。给出了泊松噪声下小波系数估计MSE(Mean Squared Error)的一个无偏估计子PURE,并将小波系数估计子写作一组基本阈值函数的线性组合以提高算法速度。仿真图像与真实煤仓图像的实验显示,与3种典型图像去噪算法(BayesShrink,Poisson_NLMeans,PURE-LET)相比,提出的PURELET-Smooth算法具有更好的噪声抑制能力,同时具有保持图像边缘结构和快速计算的特点,这在实时光斑质心精确计算和三角测距应用中是一个明显优势。此外此算法具有阈值函数组合系数的快速自动计算特点,适用于自动煤位检测应用。

大图像中的小目标检测-基于YOLOV8+OnnxRuntime部署+滑动窗口+Zbar的条码检测研究

检测岸边钓鱼人员的数据集2，1000张项目数据集，已标注数据集，下载后可直接进行训练