Traffic_Sign_detection
完成交通标志的识别分类（基于GTSBR数据），测试数据集上达到98.84%的准确率
检测部分的特征提取层包含YoloV2,yoloV2Tiny,yoloV3,MobileNet,SqueezeNet,ShuffleNet,And a Structure deSign by me:S-MobileNet
分类和检测的训练测试详情见:classify/readme.md detection/readme.md
需要weights详见：
--- 2018.06.15本科毕设答辩结束，该repo不再更新（也许还会再去做一下，毕竟这个repo确实比较dirty）
2021-10-02 17:08:19
3.68MB
1
利用海思HI3559平台，来实现yolov3实时的输入输出识别处理，经过实际测试，海思3559平台可以达到8帧/s的识别速度。
本课程详细介绍了该算法实现的原理，框架以及过程，详细解释了源代码，并且已经将实现的代码上传课件，学员可以下载后直接实现该算法。
2021-09-29 14:38:46
1.92MB
1
SliderYolo
SliderYolo是采用百度飞桨PPYolo训练而来，可以识别易盾，云片，极验，腾讯等各种正方形滑块！识别率99.9999%！
滑块识别交流
使用方式
下载整个项目，然后解压__params__.zip文件，将解压出来的__params__文件放在和__model__同目录下即可！
返回滑块坐标
在slider_infer.py文件中可以看到下面的函数：
def infer():
config = Config('./') # 模型路径
detector = Detector(config, './', use_gpu=False, run_mode='fluid')
results = detector.predict('24487f4052354b988f5de1093b6e11c0.jpg', 0.5) # 0.5 是阈值
2021-09-27 19:15:12
165.62MB
1
针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。
2021-09-26 20:23:53
8.06MB
1
使用对象检测-YOLO-v2-深度学习：使用Yolo v2的基于深度学习的对象检测的MATLAB示例
2021-09-26 18:56:44
414.95MB
1
带有Tensorflow 2的YOLOv1
为了易于实现，我没有实现与纸张完全相同的实现。 下面介绍的内容与本文的实现方式有所不同。
骨干网。 （我使用Xception代替了本文中提到的网络。）
学习率表（我使用了tf.keras.optimizers.schedules.ExponentialDecay ）
超级参数
数据扩充
等等 。 。 。
预览
即将更新。 。 。
使用Docker构建环境
构建Docker映像
$ docker build -t ${NAME} : ${TAG} .
创建一个容器
$ docker run -d -it --gpus all --shm-size= ${PROPER_VALUE} ${NAME} : ${TAG} /bin/bash
Pascal VOC数据集（）
带有Pascal VOC数据集
图片数量
火车
验证
测试
帕斯卡VOC
2021-09-24 18:50:03
25KB
1
介绍
该项目的灵感来自：
我将YOLO v3换成了YOLO v4，并添加了用于异步处理的选项，这大大提高了FPS。 但是，使用异步处理时FPS监视将被禁用，因为它不准确。
另外，我从提取了算法，并将其实现到deep_sort/track.py 。 用于确认轨迹的原始方法仅基于检测到对象的次数，而不考虑检测置信度，从而在发生不可靠的检测时（即低置信度真阳性或高置信度假阳性）导致高跟踪误报率。 轨道过滤算法通过在确认轨道之前计算一组检测次数的平均检测置信度，从而大大降低了这一点。
请参阅下面的比较视频。
低置信度轨道过滤
导航到适当的文件夹以使用低置信度轨道过滤。 上面的视频演示了差异。
2021-09-23 16:35:24
144.81MB
1
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高，更加灵活和便利。
本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。
本课程的YOLOv5使用ultralytics/yolov5，在Windows系统上做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。
希望学习Ubuntu上演示的同学，请前往 《YOLOv5(PyTorch)实战：训练自己的数据集(Ubuntu)》课程链接：https://edu.csdn.net/course/detail/30793
本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括：
《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》
Ubuntu系统 https://edu.csdn.net/course/detail/30793
Windows系统 http
2021-09-17 17:13:38
11.14MB
1