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

bdd100k数据集的标签转换为YOLO的格式，是本人csdn博客文章的对应代码，亲测有效。用于yolov7模型的训练，同样适用于yolov5等使用YOLO标签格式的各类深度学习模型的训练。

深度学习旋转框目标检测必备工具。已经做成.exe，直接下载使用，无需配置编译环境。

RSOD Dataset 是用于遥感图像中物体检测的数据集，其包含飞机、操场、立交桥和油桶四类目标，数量分别为：446 张图 —— 4993 架飞机，189 张图 —— 191 个操场，176 张图 —— 180 座立交桥，165 张图 —— 1586 个油桶。 该数据集由武汉大学于 2015 年发布，相关论文有《Elliptic Fourier transformation-based histograms of oriented gradients for rotationally invariant object detection in remote-sensing images》和《Accurate Object Localization in Remote Sensing Images Based on Convolutional Neural Networks》。

LEVIR数据集由大量 800 × 600 像素和0.2m〜1.0m /像素的高分辨率Google Earth图像和超过22k的图像组成。LEVIR数据集涵盖了人类居住环境的大多数类型地面特征，例如城市，乡村，山区和海洋。数据集中未考虑冰川，沙漠和戈壁等极端陆地环境。数据集中有3种目标类型：飞机，轮船（包括近海轮船和向海轮船）和油罐。所有图像总共标记了11k个独立边界框，包括4,724架飞机，3,025艘船和3,279个油罐。每个图像的平均目标数量为0.5。

通过python脚本构造focal loss曲线；焦点损失函数是重加权的一个典型代表，被广泛应用于目标检测和语义分割。