1、yolov5训练好的汽车检测模型，包含yolov5s和yolov5m两种训练好的汽车识别权重，从自动驾驶场景KITTI汽车检测数据集训练得到 2、自动驾驶场景KITTI汽车检测数据集：https://download.csdn.net/download/zhiqingAI/85208797 4、包含1000多张标注好的城市交通场景的数据集，标签格式为xml和txt两种，类别名为car，配置好环境后可以直接使用 5、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 6、采用pytrch框架，python代码

基于yolov5和deepsort的智能交通监控系统，有详细注释和readme使用说明

Darknet版交通场景YOLOv4车辆检测： 1、包含训练好的weights权重文件，以及后缀为cfg、data、names的配置文件，并包含训练map曲线和loss曲线，map到90%以上 2、包含1万张KITTI汽车检测数据集，类别名为car，标签格式为txt和xml两种，分别保存在两个文件夹中 3、检测效果参考：https://blog.csdn.net/zhiqingAI/article/details/12423074

基于双目视觉的违章车辆检测与跟踪系统设计.docx

js车辆检测时间计算代码是一款基于vue.js实现的车检计算器。

基于深度学习的高速公路上汽车检测和跟踪系统，自动驾驶，可以作为行车记录仪分析

基于机器学习的高速车辆检测系统

KITTI数据集，共5G 数据已处理，可直接用于yolov训练 darknet标注信息的数据格式：0，center_x，center_y，w，h 本数据集只保留了car类型 需要其他类型的可单独私聊发原始label

基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于win10系统，实用anaconda配置python环境，在anaconda里面下载vscode对项目进行编辑，基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于win10系统，实用anaconda配置python环境，在anaconda里面下载vscode对项目进行编辑

YOLO车辆检测数据集+对任意车辆图片进行车辆检测和型号分类的识别系统。对数据集中部分图片使用LabelImg工具进行了Bounding Box标注，使用MobileNet模型的SSD检测框架，借助其预训练模型并利用这些标注图片，训练和实现了车辆的位置检测模型；训练并调优了InceptionV4模型实现对车辆类型的分类；将位置检测结果的裁剪子图送入型号分类模型，以此完成对两个模型串行的衔接，并最终形成了一套完整的可以运行演示的web产品。YOLO车辆检测数据集+对任意车辆图片进行车辆检测和型号分类的识别系统。对数据集中部分图片使用LabelImg工具进行了Bounding Box标注，使用MobileNet模型的SSD检测框架，借助其预训练模型并利用这些标注图片，训练和实现了车辆的位置检测模型；训练并调优了InceptionV4模型实现对车辆类型的分类；将位置检测结果的裁剪子图送入型号分类模型，以此完成对两个模型串行的衔接，并最终形成了一套完整的可以运行演示的web产品。