YOLO，YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。

本系统通过目标检测算法使得系统可以通过图片识别一个或多个垃圾并对其进行分类，相较于传统的图片分类算法，允许用户同时识别多种垃圾；通过基于深度学习算法的文本分析使得系统能够充分理解各种物体名称的具体含义，以便于通过用户输入的名称对垃圾种类进行分类。 二、系统说明 2.1 功能介绍 图片垃圾分类：系统能够对图片中的多个物体进行检测并进行垃圾分类，最终返回待分类垃圾的物体名称以及其所属的垃圾类别。 文本垃圾分类：系统在对接收到的文本进行检测后，会返回待分类垃圾所属的垃圾类别。 2.2 数据介绍 图片数据集：图片识别类来自2019华为云垃圾分类挑战赛、爬虫搜集，共两万余张图片，91类物体；目标检测类为COCO数据集。 文本数据集：爬虫搜集，共3000类物体名称（其中有相似的，例如电池和干电池） 由于数据集过大，因此不会上传，如有需要可以在issue中提出。 2.3. 模型介绍（v1.0版本） 目标检测模型使用谷歌Object-Detection中的SSD模型、图片识别模型使用Inception-Resnet-v2模型。 文本分类模型使用两层双向LSTM与两层一维卷积模型，其中词向量层使用了

YOLOV5对桌面进行检测

144M 医护目标检测数据集 已处理为YOLO格式，可直接训练发paper train(684张) val(300张) test(29张) 包含训练记录

基于深度学习的目标检测框架介绍.ppt 普通的深度学习算法主要是用来做分类，如图(1)所示，分类的目标是要识别出图中所示是一只猫。 目标定位是不仅仅要识别出来是什么物体（即分类），而且还要预测物体的位置，位置一般用边框（bounding box）标记，如图(2)所示。 目标检测实质是多目标的定位，即要在图片中定位多个目标物体，包括分类和定位。比如对图(3)进行目标检测，得到的结果是好几只不同动物，他们的位置如图(3)中不同颜色的框所示。 PASCAL VOC : pattern analysis , statistical modelling and computational learning visual object classes. 在计算视觉的领域中，Pascal VOC Challenge 就好比是数学中的哥德巴赫猜想一样。每年，该组织都会提 供一系列类别的、带标签的图片，挑战者通过设计各种精妙的算法，仅根据分析图片内容来将其分类，最终通 过准确率、召回率、效率来一决高下。

目标检测-RCNN.pptx 图像识别（classification）： 输入：图片 输出：物体的类别 评估方法：准确率 定位（localization）： 输入：图片 输出：方框在图片中的位置（x,y,w,h） 评估方法：检测评价函数 intersection-over-union ( IOU ) 卷积神经网络CNN已经帮我们完成了图像识别（判定是猫还是狗）的任务了，我们只需要添加一些额外的功能来完成定位任务即可 物体检测需要定位出物体的bounding box，就像下面的图片一样，我们不仅要定位出车辆的bounding box 我们还要识别出bounding box 里面的物体就是车辆。对于bounding box的定位精度，有一个很重要的概念，因为我们算法不可能百分百跟人工标注的数据完全匹配，因此就存在一个定位精度评价公式：IOU

水下目标检测与跟踪：GVF Snake和Mean Shift，张学武，凌明强，针对水下光学图像清晰度低和物体颜色失真造成水下目标检测困难的问题，本文提出了一种基于Mean Shift和GVF Snake混合模型的水下目标检��

基于目标检测的SAR图像变化检测方法-基于目标检测的SAR图像变化检测方法.pdf 基于目标检测的SAR图像变化检测方法

工程车辆数据集 （挖掘机 推土机 渣土车）已标注完成 各有700张左右 coco数据集 深度学习 目标检测 有需要其他格式的可以私信我

推土机标注数据 voc格式 已标注完成 700张左右 深度学习 目标检测 有需要其他格式的可以私信我