一、 基于yolo的深度学习目标检测 1、 深度学习发展 简述深度学习的发展历程即可， 2、 目标检测简述 a) 介绍目标检测的发展历程 写出深度学习关键的时间节点即可，比如九几年开始，12年alexnet imagnet等等发展即可 b) Fasterrcnn介绍 算法介绍，该算法是经典算法，一般从该算法入手介绍，两阶段算法的经典网络 c) Ssd介绍 单阶段算法的经典网络，经常与fasterrcnn对比，前者识别率高，但是速度慢，后者速度快，但是识别率低一点。 d) Yolo介绍 比较注明的darknret网络，在速度和识别率做了很好的优化，是目前使用的比较经典的网络结构 3、 Yolo算法实现及其原理 4、 Yolo制作数据集和训练自己的数据步骤 该步骤和方法我会给您两个单独的文档，里面写着数据制作和训练的步骤 5、 算法实验结果 Yolo算法训练出的目标检测的结果，有实验不足，可以对比ssd和fasterrcnn的算法结果，以此来突出yolo算法的高识别率和快速识别 6、 本章小结 Yolo算法达到的实验结果

本人已实现自己输入图片和视频预测，有不懂的可以问我。

目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色

自己辛苦整理的原创yolov5+deepsort，纯C++实现。支持答疑，一直做有意义的事情； 多目标跟踪，用C++实现，部署到Nvidia上，tensorrt加速，最新的yolov5部署，支持s,m,l模型和int8,FP16等选择，而且拿来即用，自己再win10安装上驱动可以立即使用，不用在自己配置，支持答疑。自己辛苦整理的，求大佬打赏一顿饭钱。苦苦苦、平时比较比忙，自己后期会继续发布真实场景项目；欢迎下载。

YOLOV5的预训练模型，包括yolov5s、yolov5n、yolov5l、yolov5m、yolov5x

目标检测作为机器视觉中重要任务之一,是人工智能体系中一个具有重要研究价值的技术分支。对于卷积神经网络框架、anchor-based模型和anchor-free模型三个主流的目标检测模型进行梳理。首先,综述了主流卷积神经网络框架的网络结构、优缺点以及相关的改进方法;其次从one-stage和two-stage两个分支对anchor-based类模型进行深入分析,总结了不同目标检测方法的研究进展;从早期探索、关键点和密集预测三部分分析anchor-free类模型。最后对该领域的未来发展趋势进行了思考与展望。

经常要做汇报，还要做PPT，所以上传一些自己做的PPT做个保留，有人下载那就更好啦

本文总结了近几年来的目标检测算法paper的pdf文档和在github上的代码地址

目标的检测与跟踪技术在计算机视觉领域有着广泛的应用，比如在视频监控，无人驾驶，机器人等领域都有着举足轻重的价值。随着深度学习算法与技术的飞速发展，更是带动了该技术在性能、速度等方面取得了质的飞跃。然而随着社会的发展，需求的不断提高，我们在研究算法高效性的同时还要考虑算法所训练出的模型在实际应用上的性能与速度。本篇文章主要研究基于深度学习的目标检测与跟踪技术，该技术主要包括一个离线训练的检测模型，一个优化的跟踪器，以及一个学习模块来组成在线跟踪系统。通过研究出一种更快、性能更好的算法以及模型的压缩来达到使其训练出的模型在手机等嵌入式设备上实时运行的目的。

基于VOC数据集和YOLOV5框架的路面坑洼识别系统，可用于自动驾驶中的避坑