包括pascal格式和yolo格式

1.领域：matlab，yolov4目标检测算法 2.内容：【含操作视频】基于yolov4深度学习网络目标检测MATLAB仿真 3.用处：用于yolov4目标检测算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。 使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。 为此,在标准的SSD( single shot multiBox detector)目标检测模型基础上,结合 Xception 深度可分卷积,提出一种轻量 SSD 模型用于海面目标检测。 方法 在标准的 SSD 目标检测模型基础上,使用基于 Xception 网络的深度可分卷积特征提取网络网络中的 exit flow 层和 Conv1 层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量 SSD 目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。

为了能正确检测显著性图中的多个显著性目标，提出了一种基于全局颜色对比的显著性目标检测算法。该算法首先提取图像的全局颜色对比度特征，然后把显著性图和全局颜色对比度作为特征输入条件随机场框架中，得到二值显著性掩模，最后经区域描绘子计算得到包含显著性目标的最小外接矩形。在两种公开的数据集上的实验结果表明，该算法在精度、召回率以及F-测度方面的表现优于现有其他几种算法，在计算效率上也具有一定的优势。因此，所提出的算法在检测效果上优于现有的显著性目标检测算法，而且还能够检测到多个显著性目标。

工业仪表分割数据集， 可直接用于实际项目，数据均为实际项目中采集

仪表类（指针）检测数据集 800张左右 VOC格式 可直接用于实际项目，数据均为实际项目中采集 总大小1G左右 目标检测-yolo- 深度学习

labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据标注工具labelImg主要用于yolov5数据

基于YOLOv5模型的检测训练，用于识别课堂上学生实时表现情况。内含已经训练好的权重文件和调试好的项目源码，一个简单的模型训练可以参考学习一下。

鸟巢目标检测图像数据集（1000多张高清原图；YOLO，VOC两类标签，网盘下载链接）.txt

Matlab的耳语代码无码 该存储库适用于以下论文中介绍的具有Lp范数约束的非凸优化（NOLC），并且是在Matlab R2014a中构建的。 Zhang T，Wu H，Liu Y，et al。 [J]。 遥感，2019，11（5）：559。 有关我的更多信息，您可以访问我的。 内容 介绍 红外搜索与跟踪（IRST）系统已被广泛使用，红外小目标检测领域也受到了广泛的关注。 在此背景下，本文提出了一种基于具有Lp范数约束（NOLC）的非凸优化的红外小目标检测方法。 NOLC方法用Lp范数增强了稀疏项约束，同时适当地缩放了低秩项的约束，因此NP难问题转化为非凸优化问题。 首先，将红外图像转换为斑块图像，然后通过乘数的交替方向方法（ADMM）对其进行求解。 通过改进收敛策略，给出了一种有效的求解器。 实验表明，NOLC能够准确地检测出目标并极大地抑制了背景，证明了NOLC方法在检测效率和计算效率上的优势。 图1.具有不同p值的几何。 从左上到右下分别等于2.8、1.4、1、0.7。 图2.红外图像的低秩特性和稀疏性说明。 方法 图3. NOLC模型的检测流程。 下表中给出了NOLC模型的迭代