对象检测Yolo-v4 使用Yolo v4进行人和车检测

MobileNetV3-SSD MobileNetV3-SSD implementation in PyTorch 关于第二个版本请移步 有测试结果 希望尝试新技术请到这里 一个轻量级的目标检测包括多种模型 目的 Object Detection 应用于目标检测 环境 操作系统: Ubuntu18.04 Python: 3.6 PyTorch: 1.1.0 使用MobileNetV3-SSD实现目标检测 Support Export ONNX 代码参考（严重参考以下代码） 一 SSD部分 二 MobileNetV3 部分 4 MobileNetV1, MobileNetV2, VGG based SSD/SSD-lite implementation in Pytorch 1.0 / Pytorch 0.4. Out-of-box support for retraining on O

在HoloLens上运行YOLO 使用带有Microsoft HoloLens前端的YOLOv3进行对象检测。 该项目基于两个存储库： YOLOv3： ： HoloLens，Unity，Azure认知服务： : 这里的重点是合并这两个概念：用YOLOv3服务替换认知服务，并将其用于Unity项目中的HoloLens。

ObjectDetectionRestAPI Flask Web Server对象检测Mask-RCNN模型的实现 相依性 张量流> = 1.5 烧瓶> = 1.0.2 枕头> = 5.1.0 opencv> = 3.4.1 执行 运行Mask-RCNN对象检测服务器（默认为端口5000） python maskrcnn-server.py 或运行SSD MobileNet对象检测服务器（默认为端口5000） python ssd_server.py

用于目标检测的混淆矩阵 ConfusionMatrix类可用于为对象检测任务生成混淆矩阵。 用法 在测试代​​码中，您需要使用适当的参数声明ConfusionMatrix类。 conf_mat = ConfusionMatrix(num_classes = 3, CONF_THRESHOLD = 0.3, IOU_THRESHOLD = 0.5) 该类具有一个名为process_batch的函数，您可以使用它来更新混淆矩阵。 用法示例可以是： conf_mat.process_batch(preds, gt_boxes)其中preds是模型做出的预测，[N，6] x1，y1，x2，y2，置信度，类和gt_boxes是地面真相标签，[M，4] x1，y1，x2 ，y2，班级。 参考 该存储库使用Pytorch存储库中的函数 和 代码与下面的存储库非常相似，该存储库的主要贡献是Co

直肠标签支持 这是“ RectLabel用于对象检测”的支持页面。 将问题发布到我们的Github问题页面 有问题吗？ 发送电子邮件至 谢谢。 主要特点 绘制边界框，多边形，三次贝塞尔曲线和直线 用骨架绘制关键点 使用画笔和超像素工具标记像素 使用Core ML模型自动标记图像 快速设置对象，属性，热键和标签 以PASCAL VOC XML格式读写 导出为YOLO，创建ML，COCO JSON和CSV格式 导出索引颜色蒙版图像和分离的蒙版图像 屏幕截图

YOLOv5_DOTA_OBB 带有CSL_label的DOTA_OBB数据集中的YOLOv5。（定向对象检测） 数据集和预先训练的检查点 Datasets ： Pretrained Checkpoint or Demo Files ： 。（6666） 。（6666） 。（6666） 。（6666） 。（6666） 。（6666） 功能性 train.py 。火车。 detect.py检测并可视化检测结果。获取检测结果txt。 evaluation.py 。合并检测结果并将其可视化。最后评估探测器 安装 1.安装了所有requirements.txt依赖项的Python 3.8或更高版本，包括torch> = 1.7。要安装运行： $ pip install -r requirements.txt 2.安装swig $ cd \.....\yol

hwac_object_tracker FPGA加速了TinyYOLO v2对象检测神经网络，能够检测95个对象类别。 该设计在2018年旧金山设计自动化大会（ ）的系统设计竞赛中，在FPGA类别的65个团队中排名第五。 最终排名发布在 团队名单位于 该设计已部署在Xilinx PYNQ-Z1平台（ ）中 设计 该设计基于TinyYOLO v2对象检测神经网络（ ）。 我们在设计中使用了半精度浮点数（16位）。 该实施是在Verilog HDL上并使用Vivado 2017.2完成的 我们架构的区块设计如下： 将我们的IP连接到Zynq处理系统的Vivado块设计如下， 资源利用率 资源利用率 ： 功率估算： 回购组织 图片：包含测试图片，注释 其他：包含与文档相关的文件 结果：包含检测结果 hw：包含RTL源文件和vivado项目 YOLO-包含RTL源和TinyYOL

手势张量流 使用Tensorflow对象检测和Python进行实时手语检测 :snake: 安装 该项目需要 ， 和Tensorflow对象检测软件包才能正常运行。 您可以使用pip直接安装前两个（如果愿意，也可以使用conda ）： $ pip install tensorflow $ pip install opencv-python 要安装最后一个 ，您需要按照突出显示的链接中的教程进行操作。 它逐步介绍了设置软件包以及Tensorflow-GPU的过程，以便在运行时获得很多性能（强烈建议）。 此外，您需要从下载TensorFlow的预 $ cd Tensorflow $ git clone https://github.com/tensorflow/models 之后，您需要将模型配置（ pipeline.config ）从预先训练的文件夹（ ssd_mobilenet_v2_fp

修改TensorFlow 2.4及以上（或2.2，如果您使用XCenterNet标记为V1.0.0）上述tf.keras实施CenterNet对象检测在描述由兴义周，王德泉，菲利普·克雷恩布尔和TTFNet刘屠征，徐国栋，杨正，刘海峰，蔡登。有关原始实现，请参阅和。 此实现不是本文或pytorch实现的精确副本，因为我们已根据需要对其进行了修改，因此此回购协议具有一些功能： 使用tf2.2 + keras模型train_step和tf.data.dataset 使用来自tf2.3 +的tensorflow.keras.applications.efficiencynet 高效的网络和Resnet骨干网 tf.dataset的多尺度训练和扩充 添加了更强大的NMS，以获得更好的结果 无需姿势估计或3D，只需简单的物体检测 使用可变形卷积 易于在自己的数据集上进行微调，并自定义自己的图像增强，