压缩包内提供百度网盘下载链接，永不失效。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。 该数据集为自采集数据，包含训练集及验证集3880张，测试集1770张。标签为人行道和斑马线两种标签，目前支持XML与YOLO格式的目标检测网络训练。可用于道路安全、行人礼让等任务探索。

通过之前的文件，我们可以得到训练集图片信息和标签的位置信息，本文件用于处理真实标签信息，将其转化格式，用于计算损失值，然后进行后续的损失函数计算

yolov5、rcnn、alexnet、densenet，只要你的网络调用相机延迟严重，都可以使用tensorrt抓换模型，进行加速推理，在FPS很高的情况下也能实时处理获取的帧。

该文件主要用于读取训练集图片信息，返回[h, w, c]的数据 然后将图片信息与对应的标签信息加载到tensorflow队列中，返回一个队列 可将训练集标注好的图片可视化

本篇综述的出发点一方面是希望给检测方向的入门研究人员提供一个技术概览，帮助大家快速了解目标检测技术上下文；另一方面是给工业界应用人员提供一些参考，通过本篇综述，读者可以根据实际业务场景，找到合适的目标检测方法，在此基础上改进、优化甚至是进一步创新，解决实际业务问题。本文对其中的27篇论文进行介绍，这27篇论文涵盖了 2013 以来，除 SSD、YOLO 和 R-CNN 系列之外的，所有引用率相对较高或是笔者认为具有实际应用价值的论文。

该资源为红外热成像数据集和标记好的XML文件，且仅对数据集中的人进行了标注，共有3493张红外热成像图片和对应标注好的3493个XML格式文件。该资源可用于深度学习中红外热成像人体的识别，且仅供学习和研究，不以盈利为目的；同时也希望能够促进基于深度学习的目标检测在红外热成像方面的发展。

本项目采用YOLOv5实现垃圾分类目标检测。利用大量已标注目标检测数据集进行训练，对居民生活垃圾图片进行检测，找出图片中属于哪个类别的垃圾，并指示出在图片中的位置。 本工程YOLOv5使用PyTorch版的ultralytics/yolov5，在Windows系统上进行垃圾分类目标检测的项目演示。具体项目过程包括：数据集及格式转换、探索性数据分析（EDA）、安装软件环境、安装YOLOv5、修改YOLOv5代码(为支持中文标签）、训练集和测试集自动划分、修改配置文件、准备Weights&Biases训练可视化工具、训练网络模型、测试训练出的网络模型和性能统计。

yolov5口罩检测，数据集训练结果，包含训练好的权重文件和各种训练曲线图，保存在runs/train文件夹中，附有代码和检测结果以及测试数据集，类别为戴口罩：face_mask 和不戴口罩。

目标检测在2019年又一次实现了巨大的发展，这些是整理的部分基于深度学习的目标检测综述论文。总结过去的研究方法，并对当下大火的深度学习方法进行分析比较，并展望了未来的目标检测研究趋势。

基于深度学习的目标检测框架介绍.ppt 普通的深度学习算法主要是用来做分类，如图(1)所示，分类的目标是要识别出图中所示是一只猫。 目标定位是不仅仅要识别出来是什么物体（即分类），而且还要预测物体的位置，位置一般用边框（bounding box）标记，如图(2)所示。 目标检测实质是多目标的定位，即要在图片中定位多个目标物体，包括分类和定位。比如对图(3)进行目标检测，得到的结果是好几只不同动物，他们的位置如图(3)中不同颜色的框所示。 PASCAL VOC : pattern analysis , statistical modelling and computational learning visual object classes. 在计算视觉的领域中，Pascal VOC Challenge 就好比是数学中的哥德巴赫猜想一样。每年，该组织都会提 供一系列类别的、带标签的图片，挑战者通过设计各种精妙的算法，仅根据分析图片内容来将其分类，最终通 过准确率、召回率、效率来一决高下。