可以识别水果，物体。

opencv的运动物体检测并框出，只要环境对的话，测试就没有问题。

深度学习之PyTorch物体检测实战 含代码

该文档实现了在c语言中引用编译好的tensorflow.so动态库的方法

打开摄像头用光流法对运动物体检测估计，可直接在工程内打开摄像仪对监测到的物体进行光流法跟踪标记！

给大家分享一套课程——计算机视觉-物体检测实战视频教程，完整版22章，提供源码+数据集下载！ 物体检测实战课程旨在帮助同学们快速掌握当下计算机视觉领域主流检测算法及其实例应用。所有算法均选自实际企业项目中常用架构，通俗讲解算法原理并结合论文进行实例分析。

用qt写的调用摄像头的小例子，可以实现对镜头前物体的检测

基于YOLOV5的物体检测ROS功能包. 测试环境: Ubuntu 18.04/ROS Melodic/Nvidia Jetson Nano上, PyTorch 1.10.1, cudatoolkit=10.2. 此外,ROS Melodic默认python2.7的cv_bridge, 但Pytorch使用Python3 所以还需要为ROS 安装基于Python3的cv_bridge,详细见我的博文: 二十. 在ROS系统上实现基于PyTorch YOLO v5的实时物体检测

需要学习ubuntu系统上YOLOv4的同学请前往：《YOLOv4目标检测实战：原理与源码解析》 【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！ 代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。 YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。 YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。 【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括： - YOLOv4目标检测原理 - 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算 - 代码阅读工具及方法 - 深度学习计算的利器：BLAS和GEMM - GPU的CUDA编程方法及在darknet的应用 - YOLOv4的程序流程 - YOLOv4各层及关键

交互界面达到的效果是，通过点击画面上的按钮来控制是否要显示相应物体的检测结果，即是否把物体框出。 这里放置了两个版本，物体检测代码是相同的，不同的是交互性的设计，2.0调用的是现成的button函数，使用起来更方便些。