基于megengine的retinanet的目标检测模型，主干网络ResNet50

基于megengine的retinanet的目标检测模型，主干网络ResNext101

(84条消息) Yolo v3目标检测模型代码使用_Exploer_TRY的博客-CSDN博客_yolov3目标检测代码.html

FCOS3D是基于anchor-free网络FCOS演变而来，作者采用FCOS检测器作为baseline的目的是考虑到FCOS在处理遮挡和尺度变化问题上具有优势，从网络结构对比来看，FCOS3D的backbone和neck部分沿用FCOS的结构，检测头head部分因regression targets不同有所差异。

Yolo通用目标检测模型与EfficientNet-lite结合使用，计算量仅为230Mflops（0.23Bflops），模型大小为1.3MB:high_voltage:Yolo-Fastest:high_voltage:简单，快速，紧凑，易于移植实时目标检测算法适用于所有平台基于yolo的最快和最小的已知通用目标检测算法速度比mobilenetv2-yolov3-nano快45％，参数数量减少56％评估指标网络VOC mAP（0.5）分辨率运行时间（Ncnn 1xCore）运行时间（Ncnn 4xCore）FLOPS重量大小MobileNetV2-YOLOv3-Nano 65.27 320 11.36ms 5.48ms 0.55BFlops 3.0MB Yolo-Fas

基于YOLO的挖掘机目标检测模型+flask模型前端展示的环境配置文档，与之前上传的基于YOLO的挖掘机目标检测模型+flask模型前端展示配合使用。 1.安装Paddle 2.安装PaddleDetection 3.安装后端使用的Flask框架 4.安装Windows下的git环境

此文件为yolo模型（1-3）的pytorch实现以及ssd目标检测的pytorch实现

yolov5模型中最小数据集，可在笔记本上进行使用从Google网盘下载，模型训练r pytorch模型 yolov5模型,体积最小，速度最快的数据集。

:high_voltage: Yolo-Fastest :high_voltage: 简单，快速，紧凑，易于移植 适用于所有平台的实时目标检测算法 基于yolo的最快和最小的已知通用目标检测算法 针对ARM移动终端的优化设计，经过优化以支持推理框架 基于RK3399，Raspberry Pi 4b ...和其他嵌入式设备上部署的NCNN，可实现完整的实时30fps + 速度比快45％，参数量减少了56％ 2021.3.16：修复分组卷积在某些旧架构GPU推理耗时异常的问题 中文介绍 2021.9.12：更新NCNN相机演示 参见AlexeyAB / darknet，此版本的darknet修复分组卷积在某些旧架构GPU推理耗时异常的问题（例如1050ti：40ms-> 4ms速度提升10倍），强烈建议使用此仓库框架训练模型 与AlexeyAB / darknet相比，此版本的Darknet解决了一些旧架构GPU中分组卷积异常耗时的推

微软最新state of art目标检测模型，训练自己数据集，详细步骤，detectron2框架pytorch源码