1、yolov5鲜花检测，包含训练好的鲜花识别权重，以及PR曲线，loss曲线等等，在鲜花检测数据集中训练得到的权重，类别为桃花、梨花和玫瑰3类，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

1.领域：matlab，Mask-RCNN 2.内容：基于Mask-RCNN的高精度目标检测和识别matlab仿真+代码仿真操作视频 3.用处：用于Mask-RCNN的高精度目标检测和识别算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别源码+检测数据集，已获高分通过项目。内附文档说明等等资料。 数据集： 共约364万张图片，按照99:1划分成训练集和验证集 数据利用中文语料库（新闻 + 文言文），通过字体、大小、灰度、模糊、透视、拉伸等变化随机生成 包含汉字、英文字母、数字和标点共5990个字符 人工智能综合实践课程设计工程项目。 本项目基于文本检测，文本识别算法以及Transformer模型和pyttsx3库实现文本识别到翻译再到输出的任务。 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别，已获高分通过项目。内附文档说明等等资料。 人工智能综合实践课程设计工程项目。 本项目基于文本检测，文本识别算法以及Transformer模型和pyttsx3库实现文本识别到翻译再到输出的任务。 基于Tensorflow和Keras实现端到端的不定长中文字符检测和识别

包括pascal格式和yolo格式

本文研究了复杂采集环境下的可靠检测问题。充分考虑了车联网场景下，由 于非理想的图像获取视角和复杂的采集环境而导致的人脸检测漏检/误检问题， 深入研究了 MTCNN（Multi-task Cascaded Convolutional Networks）人脸检测算 法，提出了改进的非极大值抑制算法，降低人脸漏检率和误检率。融合了基于上 下文信息训练的小脸（Tiny face）检测网络，构成多分支级联神经网络，提高了 小脸的检测准确率。经过实验分析，本文中设计的人脸检测算法有效地提高了复 杂车联网环境下人脸检测准确率。

移动开发-视频监控中基于iOS平台的人脸检测与识别.pdf

CIFAR-100 是一个图像数据集，包含 60000 张 32x32 分辨率的彩色图像，根据图像内容被分为 100 个小类别，包括：airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck，10个大类下的10个小类，类别之间的交集为空。

基于Android平台的人脸检测与识别研究及实现.pdf

基于Yolov5的车牌检测和识别（完整版，可直接运行），运行效果满足日常使用。可以作为练手项目和课程作业。 导入Pycharm，下载好相应的依赖包就可直接运行，进行推力测试。 也可以在此基础上进行再一次的训练和提升。

自然场景图像中的文本检测和识别是计算机视觉问题，长期以来一直是计算机工程师面临的挑战。 深度学习的新进步彻底改变了计算机视觉的世界。 本文尝试建立基于深度学习（DL）的文本检测和识别模型，以解释自然场景图像中的文本。 所提出的模型包括三个阶段，即候选文本区域检测，文本区域提取和文本识别。 首先将自然场景图像馈送到候选文本区域检测机制，该机制提取包含文本字符的潜在区域。 在处理的第一阶段中引入的包含非文本的区域在第二阶段中进行过滤。 然后，第二阶段产生的文本区域集将在最后阶段被识别。 候选文本区域检测中使用了最大稳定极值区域（MSER）算法。 该模型使用了两个卷积神经网络，一个在文本区域提取阶段，另一个在文本识别阶段。 看起来自然场景中的文本检测不是一个容易的问题。 在自然场景图像中检测和识别文本字符的复杂性主要是由于文本字符和自然场景的多样性，各种干扰的存在，不同的照明条件，文本的颜色，大小和区域的不同。 ICDAR-2011，ICDAR-2013，CHARS-74K和CIFAR-100数据集用于训练和验证我们的模型。