本系统可通过两种方法实现目标的跟踪，一种是通过包盒子技术实现目标的框选，另外一种是通过将高空坠物的目标像素赋予红色作为警示颜色。 第一种方法，首先需要计算高空坠物目标的XY坐标，同时找到XY轴上的最大值和最小值。然后通过包盒子技术，将该四个极值点连成一个矩形，同时再连成一个小一点的矩形，将大于小矩形且小于大矩形的区域赋予红色，即可实现目标的跟踪框选。 第二种方法，通过帧间差分计算，得到差分图像后，进行判别。将大于预设值的像素赋予红色，即可将目标覆盖成红色。 本工程在Vivado 2018.1上开发，下载后可直接运行。

这是基于飞凌OKMX6ULL-S开发板，里面包含了基于深度学习的分类与检测项目，可以在其屏幕上显示。

空对地环境下成像视角单一,且需要依靠深层网络提供强特征表达能力。针对深层网络存在的计算量大、收敛速度慢等问题,在稠密连接网络(DenseNet)框架下,提出了一种用通道差异化表示的目标检测网络模型。首先,用DenseNet作为特征提取网络,并用较少的参数加深网络,以提高网络对目标的提取能力;其次,引入通道注意力机制,使网络更关注特征层中的有效特征通道,重新调整特征图;最后,用空对地目标检测数据进行了对比实验。结果表明,改进模型的平均精度均值比基于视觉几何组(VGG16)的单步多框检测算法高3.44个百分点。

采用python-flask框架开发，基于B/S方式交互，支持多人同时标注

无人机航拍输电线路配网绝缘瓷瓶检测图像数据集（含VOC标签，数量不多）

yolov5 5.0版本，包含yolov5s.pt、yolov5m.pt、yolov5l.pt、yolov5x.pt、yolov5n.pt

在运行目标检测典型算法yolov3时，有不同的神经网络可供选择，该文件是spp版本，文件提供了神经网络中不同类型的层的配置参数包括batch_size, width,height,channel,momentum,decay，learning_rate等。

人工智能-机器学习-面向机器人导航的立体视觉及目标检测技术研究.pdf

Linux创始人LinusTorvalds有一句名言：Talk is cheap, Show me the code.（冗谈不够，放码过来！）。 代码阅读是从入门到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。 YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。 YOLOv3的实现Darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。 本课程将解析YOLOv3的实现原理和源码，具体内容包括：      YOLO目标检测原理       神经网络及Darknet的C语言实现，尤其是反向传播的梯度求解和误差计算      代码阅读工具及方法      深度学习计算的利器：BLAS和GEMM      GPU的CUDA编程方法及在Darknet的应用      YOLOv3的程序流程及各层的源码解析本课程将提供注释后的Darknet的源码程序文件。 除本课程《YOLOv3目标检测：原理与源码解析》外，

目标检测之VOC数据集的制作-附件资源