yolov3.pytorch 该存储库用于对象检测。该算法基于实现的。多亏了和，基于他们的工作，我在PyTorch中重新实现了YOLO v3，以实现更好的可读性和可重复使用性。 消息 完整版本的更新日志可以在问题看到 （2018/10/10）支持VOC数据集培训。 环境环境 Python 3.6 PyTorch 0.4.1 CUDA（不支持CPU） pycocoapi 火车 如何在COCO上训练 下载数据集和注释，并在config.py提供您下载的数据集的完整路径，如下所示'coco' : { 'train_imgs' : '/home/data/coco/2017/train2017' , 'train_anno' : '/home/data/coco/2017/annotations/instances_train2017.json' } 在ImageNet下载官

NABirds 使用关键点组织NABirds数据集并为鸟脸构造边界框标签。 然后将它们用于训练用于鸟类身体和面部检测的深层模型。 应用程序： 人脸数据集 NABirds包含48562只鸟类，包围盒和11个身体部位，以及物种识别 选择了46824个，〜1700个面部特征不好或太小 约334个标签错误的零件或错误的边界框已得到纠正更有可能被忽视 从这些图像中构造了脸部BB。 使用与头部相关的5个身体部位（x，y） 钞票，冠，项颈，左眼和右眼 这些x，y用于确定朝向或方向 考虑了10个方向 例如面对左，右，下，上，上，下，朝着相机，身体其他部位上方或下方的部位 以及缺少的部分，没有冠或项，一只眼睛或两只眼睛 身体部位距离的比率，用于确定盒子周围零件的额外空间 帮助防止BB变成脸部横截面 图像尺寸已考虑在内，以防止扩展到 测试所有BB的错误，并从每张图像中裁剪以确认大小正确 这些图像被分为

打开Wildfire烟雾数据集 目标是策划野火烟雾数据集，以实现开放共享和易于访问的数据集，以开发基于视觉的野火检测模型。 数据集的轻松访问和开放共享将促进并加速解决野火危机的研究工作。 HPWREN相机 下载了公共领域的HPWREN相机图像，并用边框对这些图像进行了注释以进行对象检测。 用于烟雾检测。 感谢我们的创始人中创建第一组边界框。 总共创建了744个边界框注释的图像。 这是我们在志愿者的帮助下创建的最新带注释的图像。 它具有2192个带批注的图像。 使用这些带有边界框注释的烟雾数据集时，请感谢AI For Mankind和HPWREN。 带有边界框注释的烟雾数据集已根据。 注意： 捐款支持我们 支持我们的努力。 您的捐款可以免税。 AI For Mankind是一家注册的503（c）（3）非营利组织。 对于分类，您可以签出此数据集。 对于有兴趣构建烟雾分类器的任何人，我

表情符号情感数据集

使用NLTK进行情感分析 使用NLTK应用于不同数据集的情感分析算法 该存储库包含几个子项目，这些子项目是如何从不同的数据集中执行情感分析的示例。 每个文件夹包含一个不同的项目。 ##使用的工具和安装说明（Ubuntu）：### 1。 Python第一个示例已在Linux 64位体系结构下使用Python 2.7.9进行了测试。 但是，为了使用特定的“统计”包，需要使用Python3。 Python3已经随附了默认的Ubuntu安装，因此可以在终端上运行它： $ python3 Python 3.4.3 (default, Mar 26 2015, 22:03:40) [GCC 4.9.2] on linux Type "help", "copyright", "credits" or "license" for more information. >>> ### 2。 安装几个软件

手势检测 数据集 依存关系： 张量流 autoware_msgs 跑步： 运行YOLO2 $ roslaunch cv_tracker yolo2.launch 主要代码： $ rosrun traffic_gesture_recognition ros_gesture_detection.py 筛选： $ rosrun traffic_gesture_recognition gesture_filter.py 显示调试图像： $ rosrun image_view image_view image:=/police_gesture/image_overlay 切换调试映像： $ rosservice call /set_debug "data: true" $ rosservice call /set_debug "data: false" 切换警察检测 $ r

SCADA-GAN合成代 使用通用对抗网络综合生成SCADA数据集。 从简单的GAN网络开始，发展到WGAN和具有不同结果的CGAN。 二手的Keras和2功能：发电机频率和发电机电压相位更简单 观察结果：具有2个特征，所获得的综合数据集与真实特征非常相似。 哦耶！！ 但是...当使用大量特征时，会观察到渐变消失（如Ian GoodFellow的论文）。 使用Wassertein GAN（ ）实现进行了进一步测试，以解决这种情况，并生成更多功能和CGAN以取得更好的结果。 样本合成生成的SCADA消息 Synthetic Data set output (Created by GAN): Generator Prod Freq Avg Generator Prod Volt Phase Avg 0 50.312412 405.223846 1 50.780399

资料集 下表包含有关数据集的信息：数据集名称，默认用法，数据描述和下载说明。 数据集 用法 描述 下载 火山 地图 奥克兰的Maungawhau火山的数字高程模型。 数据由61列和87行组成，它们代表给定的火山地形。 值代表地形高度。 数据已从下载。 ， 波兰省 地图 包含4个文件的shapefile格式的矢量数据。 数据描述了波兰各省的多边形。 在使用Python将数据读取到GeoDataFrame之后，有两个重要的列：带主要代码的'JPT_KOD_JE'和带有给定区域多边形的'geometry'。 文件是从波兰政府网站下载的。 ，，，， 波兰自治市镇 地图 包含4个文件的shapefile格式的矢量数据。 数据描述了波兰自治市的多边形。 在使用Python将数据读取到GeoDataFrame之后，有两个重要的列：带区号的'JPT_KOD_JE'和带给定区域的多边形的'geomet

LeCaRD：中国法律案件检索数据集 概述 背景 勒加仑钙本身řetrieval d ataset（LeCaRD）含有106查询病例和超过43,000候选例。 查询和结果取自公布的刑事案件。 相关性判断标准和注释均由我们的法律专家团队进行。 对于数据集评估，我们在LeCaRD上实现了几种现有的检索模型作为基线。 项目结构 /LeCaRD/data是所有LeCaRD数据的根目录。 一些主要文件（或目录）的含义介绍如下： data ├── candidates │   └── candidates.zip // [important] candidate zipfile ├── corpus │   ├── common_charge.json │   ├── controversial_charge.json │   └── documen

MetalDAM MetalDAM是来自钢的增材制造的金相数据集。 所有图像均由安赛乐米塔尔（ArcelorMittal）工程师提供。 数据集 图片 下载 引用 42 164 标记的数据集 标记的集包含用扫描电子显微镜拍摄的42幅灰度图像，分辨率为1280x895和1024x703（在底部裁剪了信息带之后）。 标签 频率 0.矩阵 31.86％ 1.奥氏体 58.26％ 2.马氏体/奥氏体 8.96％ 3.沉淀* 0.24％ 4.缺陷 0.68％ （*）沉淀物尺寸的减小显着增加了注释这些微成分的工作量，因此在注释过程中忽略了其中的大多数。 未标记的数据集 也可以提供另外一组由相同材料获得的164张图像。 相关出版物 如果您想引用MetalDAM，请使用以下引用： @misc{metaldam, title={MetalDAM: Metallography datas