Yolov5_DeepSort车辆检测和跟踪，包含车辆数据集和训练好的YOLOv5车辆检测权重，代码配置好环境后可直接使用

pdf文档，车辆检测 基于快速匹配算法的交通监控系统

夜间车辆监测数据集，已将标注好了包含xml标签文件，包括训练集和测试集，大约10000张。

车辆行人检测数据集persson_car-datase 1、YOLOv5车辆行人检测 2、车辆行人共1万多张标注好的 图片 3、目标类别：person、car 4、标签格式为VOC和YOLO两种格式，即xml和txt格式 5、可直接用于智能驾驶场景的车辆行人检测

该数据集是由布尔诺理工大学发布，包含 6 个由监控摄像头拍摄的视频文件以及相关的速度测量信息，可被用于速度测量，车辆尺寸测量，车辆分类等交通类任务

1、yolov5-deepsort俯视场景下visdrone数据车辆检测和跟踪，包含YOLOv5训练好的visdrone数据集权重以及各种训练曲线 2、可以生成目标运动轨迹 3、pytorch框架，python代码 4、结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

基于深度学习的车辆检测系统（MATLAB代码，含GUI界面）.doc

人工智人-家居设计-城市环境中智能车辆前方道路与车辆检测技术研究.pdf

1、YOLO车辆检测数据集 2、车辆目标检测, 包括训练集train-dataset13339 张和val-dataset7183 张 3、calsses: car，van，others，bus 共四个类别 4、标签格式;txt和xml两种格式

SSD 算法利用多尺度特征图进行分类和位置回归，检测小目标效果优于 YOLO 算法，但 SSD 算法在进行车辆检测时存在漏检问题。为此，提出一种改进 SSD 算法。为提取更多的车辆特征信息，设计改进 Inception 模块替代 SSD 网络中的 Conv8、Conv9 和 Conv10 层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合，构建多尺度特征融合均衡化网络，提高小目标车辆识别率。在特征提取层均引入 SENet，对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明，改进后 SSD 算法在自制的车辆数据集上平均精度为 90.89%，检测速度达到 59.42 frame/s，相比改进前的 SSD 算法，在精度和速度上分别提高 2.65 个百分点和 17.41 frame/s，能够更快速、准确地对图像中的车辆进行识别和定位。