Market1501是在夏天于清华大学校园中所采集的。Market1501数据集的图片主要来源于6个不同的摄像头。该数据集提供训练集和测试集，总共包括拍摄到的1501个行人、32668个检测到的行人矩形框。每个行人至少由2个摄像头捕获到，并且在一个摄像头中可能具有多张图像。训练集有751人，包含12936张图像，平均每个人有17.2张训练数据；测试集有750人，包含19732张图像，平均每个人有26.3张测试数据。 Market1501中图片的命名格式为（以bounding_box_text种第一张图片为例）：0001_c1s1_000151_01.jpg。其中，0001表示该图片中行人的标签编号，即行人ID，从0001到1501；c1表示这张图片拍摄于1号摄像头，即摄像头ID，从c1到c6；s1表示该图片是第一个录像片段；000151表示该图片是从s1是c1s1的第000151帧图片；01表示是c1s1的第000151帧图片的第一个检测框。

1、基于yolov5算法实现电动车头盔佩戴识别检测源码+模型文件+评估指标曲线+使用说明 2、附有训练、loss(损失值)下降曲线、Recall(召回率)曲线、precision(精确度)曲线、mAP等评估指标曲线 3、迭代200次，模型拟合较好。 4、识别2个类别，分别是“头盔”和“人头” 【备注】有相关使用问题，可以私信留言跟博主沟通。

1、YOLOv7行人跌倒检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志 2、classes: fall; 3、包括数据集，标签格式为VOC和YOLO两种 4、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127165057?spm=1001.2014.3001.5502

1、YOLOv7车辆行人检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志，map达90%以上 2、classes: person、car 3、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127988082?spm=1001.2014.3001.5502

压缩包中包含采集的数据与代码，直接运行pdr_main.m文件即可查看实现效果。 实现原理参考链接：https://blog.csdn.net/wxc_1998/article/details/127265887?spm=1001.2014.3001.5502

在自动驾驶领域涉及的众多任务中，行人识别是必不可少的技术之一。针对基于图像数据的行人检测算法无法获得行人深度的问题，提出了基于激光雷达数据的行人检测算法。该算法结合传统基于激光雷达数据的运动目标识别算法和基于深度学习的点云识别算法，可以在不依赖图像数据的条件下感知和检测行人，进而获取行人的准确三维位置，辅助自动驾驶控制系统作出合理决策。该算法在KITTI三维目标检测任务数据集上进行性能测试，中等难度测试达到33.37%的平均准确度，其表现领先于其他基于激光雷达的算法，充分证明了该方法的有效性。

一种基于梯度方向直方图的俯视行人的检测方法

复现yolov5行人追踪，计数功能。

yolov5 行人多目标检测模型 yolov5 行人检测模型 旷世提出的crowdhuman数据集训练的行人检测模型 crowdhuman数据集训练的行人检测模型 epoch=300

BIWI pedestrian dataset(EWAP)鸟瞰行人检测数据集，视频数据，包含hotel和ETH两个部分，下载后可自行转化为图片。