是世界上第一个用于自动驾驶汽车的“多合一”开源软件。 Autoware的功能主要适合于城市，但也可以涵盖高速公路，高速公路，中山地区和地理围栏地区。 Autoware的代码库受Apache 2许可证保护。 请自行决定使用它。 为了安全使用，我们为不拥有真正的自动驾驶汽车的人提供了基于ROSBAG的仿真环境。 如果您打算将Autoware与真正的自动驾驶汽车一起使用，请在进行现场测试之前制定安全措施和风险评估。 您可以参考用户指南和开发人员指南。 什么是汽配 Autoware提供了一组丰富的自动驾驶模块，这些模块由传感，计算和驱动功能组成。 介绍了这些功能的概述。 关键字包括本地化，映射，对象检测与跟踪，交通信号识别，任务与运动计划，轨迹生成，车道检测与选择，车辆控制，传感器融合，摄像头，LiDAR，RADAR，深度学习，基于规则的系统，连接导航，日志记录，虚拟现实等。 免费手册也可以

行人侦查跟踪 使用Mobilenet SSD进行行人检测和跟踪 行人检测 使用Caffe Mobilenet SSD进行了培训，详细信息（ ） 然后将模型转移到 （针对移动平台进行了优化的深度学习框架） 追踪 基于光流和卡尔曼滤波器的多对象跟踪器，更多详细信息： : 用法 编译ncnn 转到3rd_party / ncnn （与Raspberry Pi等ARM平台一起使用时，修改ncnn / CMakeLists.txt：添加add_definitions(-mfpu=neon) ，修改ncnn / src / CMakeLists.txt：将40to46行修改为if(TRUE) ） mkdir build cd build cmake .. make 其余全部编译在根目录中mkdir build cd build cmake .. make 跑步去建立/ ./main

GIthub使用指北: 1.想将项目拷贝到自己帐号下就fork一下. 2.持续关注项目更新就star一下 3.watch是设置接收邮件提醒的. Retinanet-Pytorch 目标检测算法pytorch实现, 本项目不是完全的复现论文（很多参数以及实现方式上与原论文存在部分差异，有疑问欢迎issues） 由于一些原因,训练已经过测试,但是并没有训练完毕,所以不会上传预训练模型. 但项目代码验证无误.（但在使用时需要自己进行调整。不建议新手进行尝试。） 项目在架构上与 采用了相似的结构. 重用了大量中代码,如训练器,测试器等. 本项目单机多卡,通过torch.nn.DataParallel实现,将单机环境统一包装.支持单机单卡,单机多卡,指定gpu训练及测试,但不支持多机多卡和cpu训练和测试. 不限定检测时的设备(cpu,gpu均可). Requirements pytorch op

交通信号灯的检测和分类模型 训练 为了开始训练，您可以启动bash脚本或直接使用trainer.py 模型 用于训练的模型是来自Torchvision的Faster RCNN模型。 该模型预测边界框，然后进行分类。 因此，该模型仅获得用于评估的图像。 该分数用于评估为mAP。 数据 我使用了来自数据。 借助脚本utils/create_balanced_dataset.py 。 我试图获得一个平衡的data_set，因为只有很少的图像带有包围交通灯的关闭框或黄色。 因此，我首先在每个图像上添加了这样的边界框，然后添加了剩余图像。 但是，每个交通信号灯类别最多出现1000次，因此类别之间的平衡是稳定的，而不会增加用于训练过程的图像。 可能的调整 对于前兆的有意义的置信度度量或通常包括不同的预测分数。 我只使用了pytorch模型中的默认掠夺分数，以便评估模型的性能 添加用于注释图像的脚本，以

面具识别 实时口罩磨损检测模型 使用Mobilenet V2 CNN模型预测是否戴口罩。 人脸检测使用Caffe2框架 描述 导入模块 带有python3的OpenCV keras，plaidml-keras（用于AMD GPU计算） 麻木 matplotlib argparse 张量流2.2.0 用法 火车 $ python train_mask_detector.py --dataset dataset 图像 $ python detection.py --image [Path to Image] 视频 更改detection.py中的视频路径后使用 $ python detection_video.py

在TorchServe上运行的Yolov5（与GPU兼容）！ 这是一个用于为Yolo v5对象检测模型运行TorchServe的dockerfile。 （TorchServe（PyTorch库）是一种灵活且易于使用的工具，用于服务从PyTorch导出的深度学习模型）。 您只需要在ressources文件夹中传递一个yolov5权重文件（.pt），它将部署一个http服务器，准备进行预测。 设置Docker映像 如果使用GPU，则在本地构建Torchserve映像（dockerhub一个错误）： Build the image torchserve locally for GPU before running this (cf github torchserve) https://github.com/pytorch/serve/tree/master/docker 注意：仅对于CPU

matlab分时代码免责声明 提供了官方的Faster R-CNN代码（用MATLAB编写）。 如果您的目标是在NIPS 2015论文中复制结果，请使用。 该存储库包含对MATLAB代码的Python重新实现。 此Python实现基于的分支构建。 两种实现之间略有不同。 特别是此Python端口 在测试时速度要慢约10％，因为某些操作在CPU上的Python层中执行（例如220ms /图像，而VGG16为200ms /图像） 提供与MATLAB版本相似但不完全相同的mAP 由于实现上的细微差异，因此与使用MATLAB代码训练的模型不兼容 包括近似的联合训练，比交替优化（对于VGG16）快1.5倍-有关更多信息，请参阅这些 更快的R-CNN：通过区域提议网络实现实时目标检测 任少卿，何开明，罗斯·吉尔希克，孙健（Microsoft Research） 该Python实现包含在MSR实习期间编写的Sean Bell（Cornell）提供的内容。 请与官方联系以获取更多详细信息。 更快的R-CNN最初在an中进行了描述，随后在NIPS 2015中发布。 执照 Faster R-CNN是根据M

matlab人头检测的代码快速人体姿势估计CVPR2019 这个项目是的研究。 介绍 这是的官方pytorch实现。 在这项工作中，我们专注于两个问题 如何使用与模型无关的方法来减小模型大小和计算。 如何提高简化模型的性能。 在我们的论文中 我们通过减少网络的宽度和深度来减少模型的大小和计算量。 提出快速姿势精馏（ FPD ）以改善简化模型的性能。 MPII数据集上的结果证明了我们方法的有效性。 我们使用HRNet代码库重新实现了FPD，并在COCO数据集上提供了额外的评估。 我们的方法（FPD）可以在没有地面标签的情况下工作，并且可以利用未标记的图像。 对于MPII数据集 我们首先训练了一个教师模型（沙漏模型，堆栈= 8，num_features = 256，90.520 @ MPII PCKh@0.5）和一个学生模型（沙漏模型，堆栈= 4，num_features = 128，89.040 @ MPII PCKh@0.5）。 然后，我们使用教师模型的预测和真实标签来共同监督学生模型（沙漏模型，堆栈= 4，num_features = 128，87.934 @ MPII PCKh@0

SDC-车道和车辆检测-跟踪 Python中的OpenCV，用于自动驾驶汽车的车道线和车辆检测/跟踪 阅读我关于这个项目的 Medium。

matlab最简单的代码DNN_detection_via_keras 这是使用keras的OFDM系统中用于信道估计和信号检测的深度学习功能的最简单实现。 我尽力简化了代码，以便每个人都可以轻松地遵循它。 可以参考原始的tensorflow版本代码。 与其他框架（例如tensorflow，pytorch ， MXNet等）相比，此keras版本是最简单的实现。 一些参考 根据许多读者的评论，我写了一个本文的简单博客，这可能对中国研究者了解本文的主要思想有帮助，您可以在以下网址找到该博客： 第一的 该问题已解答了一些常见问题，希望能对您有所帮助。 此外，如果这项工作对您有帮助，请加注星标或分叉该仓库以支持我。 要求 tensorflow-gpu> = 1.12.0因为代码是在tensorflow 2.0发布之前编写的。 数据集 我已将所需的数据集上传到 密码： 1234 正如一些读者所提到的，我还提供了for Google驱动程序。 这些是通过保存从原始提供的.txt文件加载的numpy数组生成的。 然后，直接将channel_train.npy和channel_test.npy移至当