1、YOLOv7算法Visdrone数据集训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志 2、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127346292?spm=1001.2014.3001.5502

yolox模型预训练权重

该资源包含： 1.yolov7的代码 2.yolov7.pt yolov7x.pt yolov7-w6.pt yolov7-e6.pt yolov7-d6.pt yolov7-e6e.pt等6个预训练权重文件

mdnet_imagenet_vid.pth，可作为APFNet预训练权重

marketduke模型预训练权重

S2DNet网络模型训练权重

YOLOv7训练自己数据集加载的预训练权重，包含yolov7_training.pt 、yolov7x_training.pt 、yolov7-w6_training.pt、 yolov7-e6_training.pt、 yolov7-d6_training.pt

Unet训练需要使用的权重文件unet_voc.pth 以及.pth转化后的unet.pt文件

Yolov5模型预训练权重---【包含yolov5s、yolov5s6、yolov5m、yolov5m6、yolov5l、yolov5l6、yolov5m、yolov5m6、yolov5x等】

pvrcnn是一个两阶段检测算法。stage1采用常规的voxel-based的方法得到proposal。stage 2：refine。经过stage1得到了RoI, 刚刚的关键点特征提取得到了每个关键点的特征。然后可以进行refine了。还有一个Predicted Keypoint Weighting模块。它的作用主要是想降低不是前景点的关键点特征对refine阶段的影响。通过训练两层MPL来使得模型能够区分哪些是前景点，哪些是背景点，并对背景点赋予较小的权重。以gird point为球心，以某一设定值为半径画球，对包括在其中的关键点再次进行set abstraction操作，得到更高级的特征。这样做有一个好处就是，在画球的过程中，有可能将RoI之外的点包括进来，从而提供更丰富的语义信息，帮助模型更好的回归。这样重复6 * 6 * 6次，就能得到6 * 6 * 6个特征向量。