基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型，基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型基于Yolov5的口罩识别模型，基于Yolov5的是否佩戴口罩的识别模型

Entity Recognition of Traditional Chinese Medicine's Manual中药说明书实体识别。 Chinese：本数据集来源于中药药品说明书，通过挖掘中药说明书构建中药合理用药的知识图谱，将为中医规范诊疗奠定较好基础。抽取中药药品说明书中的关键信息可以帮助扩充中医药药品知识库。 疫情催化下，人工智能正在持续助力中医药传承创新加速发展，其中中医用药知识体系沉淀挖掘是一个基础工作。通过挖掘中药说明书构建中药合理用药的知识图谱，将为中医规范诊疗奠定较好基础。抽取中药药品说明书中的关键信息可以帮助扩充中医药药品知识库。

通过slim工具，对VGG16进行微调训练数据，并得出模型，然后对新图片进行识别，整个过程。运行环境：tensorflow 1.9.0, python 3.6。源码不包含图片素材，但是包含生成好的tf格式，inception_v3文件，以及导出后的frozen_graph.pb文件。可在此基础上进行训练，也可直接用于识别图像操作。

基于Yolov5的口罩检测识别数据集+训练好的识别模型+标注好的数据.。基于Yolov5的口罩检测识别数据集+训练好的识别模型。基于Yolov5的口罩检测识别数据集+训练好的识别模型。基于Yolov5的口罩检测识别数据集+训练好的识别模型。基于Yolov5的口罩检测识别数据集+训练好的识别模型。基于Yolov5的口罩检测识别数据集+训练好的识别模型。 +标注好的数据. 结构 labels -- 所有图片的标签文件 photoes -- 转移到一个文件夹后的图片数据集(原始图片来自图片来源） yolov5-master yolov5的模型文件夹 transmit.py 用于将从github下载的文件快速写入一个文件夹的Py程序

Attention-BiLSTM模型结构及所有核心代码： 1.model中实验的模型有BiLSTM、ATT-BiLSTM、CNN-BiLSTM模型； Attention与BiLSTM模型首先Attention机制增强上下文语义信息，并获取更深层次特征，最后通过Softmax进行回归，完成所属语音情感的预测。 2.系统为用Flask搭建网页框架的语音识别系统界面； 对于提到的语音情感识别方法平台为基于Windows操作系统的个人主机，深度学习框架采用的是tensorflow和Keras，其中TensorFlow作为Keras的后端。具体配置如下python3.6.5、tensorflow=1.12、Keras=2.2.4、flask==1.0.2 、librosa等。 具体界面效果可以参考博客内容。​​

基于PaddleOCR车牌号识别模型，配合车牌号检测模型，可识别蓝牌、黄牌（单行）、绿牌、大型新能源（黄绿）、领使馆车牌、警牌、武警牌（单行）、军牌（单行）、港澳出入境车牌。

Google提出的开源人脸识别算法FaceNet的预训练模型，FaceNet的官方的预训练模型，20180402-114759 NOTE: If you use any of the models, please do not forget to give proper credit to those providing the training dataset as well.

人脸识别与训练模型。

本系统通过目标检测算法使得系统可以通过图片识别一个或多个垃圾并对其进行分类，相较于传统的图片分类算法，允许用户同时识别多种垃圾；通过基于深度学习算法的文本分析使得系统能够充分理解各种物体名称的具体含义，以便于通过用户输入的名称对垃圾种类进行分类。 二、系统说明 2.1 功能介绍 图片垃圾分类：系统能够对图片中的多个物体进行检测并进行垃圾分类，最终返回待分类垃圾的物体名称以及其所属的垃圾类别。 文本垃圾分类：系统在对接收到的文本进行检测后，会返回待分类垃圾所属的垃圾类别。 2.2 数据介绍 图片数据集：图片识别类来自2019华为云垃圾分类挑战赛、爬虫搜集，共两万余张图片，91类物体；目标检测类为COCO数据集。 文本数据集：爬虫搜集，共3000类物体名称（其中有相似的，例如电池和干电池） 由于数据集过大，因此不会上传，如有需要可以在issue中提出。 2.3. 模型介绍（v1.0版本） 目标检测模型使用谷歌Object-Detection中的SSD模型、图片识别模型使用Inception-Resnet-v2模型。 文本分类模型使用两层双向LSTM与两层一维卷积模型，其中词向量层使用了

使用CNN进行面部表情识别：使用CNN和Keras和Tensorflow创建的面部表情识别模型