1、yolov5水果检测，包含yolov5s和yolov5m两种训练好的水果检测权重，有pyqt界面，目标类别为apple、banana和orange 3个类别，并附有几百张水果数据集 2、pyqt界面可以 检测图片、视频和调用摄像头，有相应的选择项 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码

1、yolov3水果检测，包含yolov3和yolov3_tiny两种训练好的水果检测权重，目标类别为apple、banana和orange 3个类别，并附有几百张水果数据集 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

1、自己收集整理的经过剔除的口罩数据集总共4692张，并按照8:2进行划分； 2、戴口罩和不戴口罩的正负样本都有； 3、TXT格式标注文件，可以直接拿过来进行训练； 4、自己训练精度达到91%,满足项目需求；

使用yolo进行口罩检测 里面包含口罩目标检测数据集（已标注好，VOC格式） xml文件和jpg文件都放在文件夹中，可以根据自己格式进行运行

1、YOLOv3训练好的汽车检测模型，包含YOLOv3和YOLOv3_tiny两种训练好的汽车识别权重，从自动驾驶场景KITTI汽车检测数据集训练得到。 2、自动驾驶场景KITTI汽车检测数据集：https://download.csdn.net/download/zhiqingAI/85208797 3、并包含1000多张标注好的城市交通场景的数据集，标签格式为xml和txt两种，类别名为car，配置好环境后可以直接使用 4、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 5、采用pytrch框架，python代码

1、YOLOv3猫狗检测训练模型，包含YOLOv3和YOLOv3_tiny两种训练好的猫狗检测权重，从自动一万多张猫狗检测数据集训练得到。 2、并包含10000多张标注好的猫狗检测数据集，标签格式为xml和txt两种，类别名为cat和dog，配置好环境后可以直接使用 4、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 5、采用pytrch框架，python代码

1、yolov5训练好的汽车检测模型，包含yolov5s和yolov5m两种训练好的汽车识别权重，从自动驾驶场景KITTI汽车检测数据集训练得到，有pyqt界面 2、pyqt界面可以 检测图片、视频和调用摄像头，有相应的选择项 3、自动驾驶场景KITTI汽车检测数据集：https://download.csdn.net/download/zhiqingAI/85208797 4、并包含1000多张标注好的城市交通场景的数据集，标签格式为xml和txt两种，类别名为car，配置好环境后可以直接使用 5、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 6、采用pytrch框架，python代码

1、yolov5训练好的猫狗检测模型，包含yolov5s和yolov5m两种训练好的猫狗识别权重，从一万多张猫狗检测数据集训练得到，有pyqt界面，目标类别为cat和dog两个类别 2、pyqt界面可以 检测图片、视频和调用摄像头，有相应的选择项 4、并包含1万多张标注好的猫狗检测数据集，标签格式为xml和txt两种，类别名为car，配置好环境后可以直接使用 5、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 6、采用pytrch框架，python代码

几种表面缺陷检测数据集-附件资源

1、YOLOV5行人检测，内含各种训练曲线图，并包含数据集，使用lableimg软件标注软件标注好的行人数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，分别保存在两个文件夹中，类别名为person; 可以直接用于YOLO系列的行人检测 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、pyqt界面可以 检测图片、视频和调用摄像头，有相应的选择项 4、采用pytrch框架，代码是python的