传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

KittiBox KittiBox是用于在Kitti上训练模型FastBox的脚本的集合。 有关Fastbox的详细说明，请参见我们的。 FastBox旨在以很高的推理速度存档高检测性能。 在Kitti数据上，该模型的吞吐量为28 fps（36毫秒），是FasterRCNN的两倍以上。 尽管FastBox速度惊人，但其性能却明显优于Faster-RCNN。 任务 中等 简单 硬 速度（毫秒） 速度（fps） 快速盒 86.45％ 92.80％ 67.59％ 35.75毫秒 27.97 更快的RCNN 78.42％ 91.62％ 66.85％ 78.30毫秒 12.77

基于pytorch与yolo-v5的猪脸目标检测模型与代码，带有训练好的模型权重，开箱即用 带有测试样例代码，可以直接运行

LSTM自编码器异常检测模型

本资源提供Python文字识别之EasyOCR、文本检测模型、识别模型(语言包)免费下载。 包括：easyocr-1.5.0-py3-none-any.whl、craft_mlt_25k.pth、english_g2.pth、zh_sim_g2.pth

Android和树莓派上的TensorFlow-Lite对象检测 展示如何训练TensorFlow Lite对象检测模型并在Android，Raspberry Pi等上运行它们的指南！ 介绍 TensorFlow Lite是用于在资源受限的边缘设备上部署轻量级深度学习模型的优化框架。 TensorFlow Lite模型具有更快的推理时间和更少的处理能力，因此可用于在实时应用程序中获得更快的性能。 本指南提供分步说明，说明如何训练自定义TensorFlow对象检测模型，如何将其转换为TensorFlow Lite可以使用的优化格式以及如何在Android手机或Raspberry Pi上运行它。 该指南分为三个主要部分。 每个部分在此存储库中都有其自己的专用README文件。 如何在Windows 10上训练，转换和运行自定义TensorFlow Lite对象检测模型<---您在这里！

YOLOv5纸箱缺陷破损检测模型，附有各种训练曲线图，可使用tensorboard打开训练日志，用于检测纸箱有缺陷和破损的地方

YOLO-V5在合作研究中对肺炎图像进行定位和分类 使用Ultralytics的对象检测模型YOLO-V5对自定义图像进行定位和分类 该存储库包含在colab中实现YOLO-V5的实现，以检测和分类肺炎和正常图像 用于此模型的数据来自以下链接（ ） Yolo_v5_Data_Preparation.ipynb-该文件包含所有必要步骤，可将我们的数据集转换为适合YOLO-V5实施的格式 我们必须克隆YOLO-V5的git存储库 YOLO_V5_Training.ipynb-此文件包含在图像上运行YOLO-V5训练所必须执行的操作和步骤 最后，YOLO_V5_Inference.ipynb-在这里，我们根据训练中保存的权重预测并验证模型结果 将来，我计划使用YOLO-V5添加印度卢比检测和分类

这是python语言的转化标签的脚本，适用于整理检测数据集标签的形式

这是python语言写的转化脚本，使用于整理各种检测数据集的标签形式；