首先pip install -r rerequirements.txt 搭建好yolov5的环境 搭建好yolov5的环境后直机运行 python detect_and_stereo_video_003.py

L2-RLS基于L2范数的视频目标跟踪算法，matlab2021a，动态跟踪，背景晃动下跟踪效果良好。matlab2021a测试 %%Update Model if (size(wimgs,2) >= opt.batchsize) %%(1)Incremental SVD [tmpl.basis, tmpl.eigval, tmpl.mean, tmpl.numsample] = ... sklm(wimgs, tmpl.basis, tmpl.eigval, tmpl.mean, tmpl.numsample, opt.ff); %%(2)Clear Data Buffer wimgs = []; %%(3)Keep "opt.maxbasis" Number Basis Vectors if (size(tmpl.basis,2) > opt.maxbasis) tmpl.basis =

基于ubuntu18.04的python3.7.5编译好的opencv-contrib-python文件

之前学习YOLOV5目标检测好不容易自己标的~~ 效果演示：https://b23.tv/LWy7Bvw - 和平精英目标检测数据集（内涵124张，包含种类蹦蹦、摩托、车、人） ---- Annotations ---- images ---- labels ---- 简单训练好的.pt权重文件

基于kalman滤波的目标跟踪仿真，matlab2021a测试

基于PyTorch实现图像去模糊、有代码数据、可直接运行基于PyTorch实现图像去模糊、有代码数据、可直接运行

opencv中dnn模块两个人脸检测模型 opencv_face_detector_uint8.pb res10_300x300_ssd_iter_140000_fp16.caffemodel

在一些简单的场景下，定位面板上的标识，铭牌，按钮等物件。 定位过程和效果可以参考这里：https://blog.csdn.net/qq_41392228/article/details/124347845

opencv python 车牌识别代码 可以直接运行

采用pytorch深度学习框架实现的deeplab_v3+语义分割任务，谷歌deeplab系列性能最好也是最复杂的一个版本，可满足绝大部分基础语义分割场景。主干网络在算力不足时可选择轻量版的mobilenet_v2，算力足够时可选择Xception。 deeplab_v3+：用一个简单有效的解码器模块扩展deeplab_v3优化细分结果，尤其是沿目标边界。此外，在这种编码器 - 解码器结构中，可以通过空洞卷积任意地控制所提取的编码器特征的分辨率，以平衡准确率和运行时间。 本代码可作为入门计算机视觉语义分割任务时的学习了解用处，也可作为高校大学生的毕业课程设计使用。