最近来，随着我国经济水平不断发展，人民生活质量和可支配收入逐渐提升，越来越多人希望获得更快捷的出行方式，选择购买电动汽车或新能源汽车，全国机动车持有数量呈现出不断增涨的姿态。同时，这也带来了日益严重的交通拥堵、停车困难、交通事故等问题。构建智能交通系统显得尤为必要，车型识别技术作为其中重要组成部分，随着深度学习方法得到广泛应用，本文基于深度学习对车辆车型识别进行研究，为解决日益凸显的交通问题做出贡献。本文对国内外车型识别研究进行总结，分析不同识别方法优势与不足。介绍神经网络的发展、相关结构与技术原理，深入了解不同深度神经网络模型（VGGNet、InceptionNet、ResNet）的结构及原理，突出其独特改进优势。本文选用识别精度较高，在速度上具有很大优势的YOLO算法，在BIT-Vehicle ID数据集上进行车辆检测试验，实验获得较好的准确度，mAP达到94.08%。

基于yolov5的口罩识别检测系统，含UI设计

近五年红外目标检测与跟踪方法实现合集，包括参考文献和实现代码，语言主要为matlab,部分为C语言，深度学习的模型为训练好的模型，文件夹分门别类，可供学习

货架牌面检测系统，通过神经网络目标检测、OCR、特征检测与比对算法，实现商品的识别和盘点.zip

介绍利用Faster-RCNN去训练Pascol VOC数据集或者训练自定义数据集。 参考博客：https://blog.csdn.net/weixin_38346042/article/details/125044860?spm=1001.2014.3001.5502

Region Proposal by Guided Anchoring论文介绍 PPT，介绍论文中Anchor的生成机制

FCOS: Fully Convolutional One-Stage Object Detection

通用目标检测算法研究进展与评述.doc

yolov5s.pt训练了5000张图片，80个epoch yolov5n.pt训练了6000张图片，120个epoch yolov5n.engine 可用于tensorrt加速

目标检测faster_rcnn源码