1、YOLOv5行人车辆目标检测结果 2、行人车辆目标检测结果，包含700多张检测好的图片，并保存了检测结果坐标值在txt文件中 3、classes: person、car

史上最齐全的YOLOv5预训练模型，共10种预训练权重。附带各个权重性能比对图。使用后可以实现目标检测多达80种物体

计算机视觉-CNN学习MATLAB源码 卷积神经网络（CNN 或 ConvNet）是一种深度学习网络架构，它直接从数据中学习，不需要手动提取特征。 CNN 特别适合在图像中寻找模式以识别物品、人脸和场景。这类网络也能很好地对一些非图像数据进行分类，如音频、时间序列和信号数据。 需要目标识别和计算机视觉的应用（如自动驾驶汽车和人脸识别应用）高度依赖 CNN。 卷积神经网络CNN的结构一般包含这几个层： (1)输入层：用于数据的输入 (2)卷积层：使用卷积核进行特征提取和特征映射 (3)激励层：由于卷积也是一种线性运算，因此需要增加非线性映射 (4)池化层：进行下采样，对特征图稀疏处理，减少数据运算量。 (5)全连接层：通常在CNN的尾部进行重新拟合，减少特征信息的损失 CNN的三个特点： (1)局部连接：这个是最容易想到的，每个神经元不再和上一层的所有神经元相连，而只和一小部分神经元相连。这样就减少了很多参数 (2)权值共享：一组连接可以共享同一个权重，而不是每个连接有一个不同的权重，这样又减少了很多参数。 (3)下采样：可以使用Pooling来减少每层的样本数

内含风力涡轮机表面损坏检测数据集，无人机航拍分块图像，总共1万多张，但实际标签图像有3000左右，标签文件为txt，格式为yolo格式标签，包含脏污与损坏两种缺陷，可用于图像识别、目标检测等计算机视觉的应用！ 上传的txt文件内含有下载链接，请放心购买。

内含光伏电板电池片焊点定位图像数据集，图像总数为1500张左右，含有json格式标签，可用于目标检测等计算机视觉技术的应用 txt文件内含有下载链接，请放心下载！！！

计算机视觉-贝叶斯学习MATLAB源码 贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naïve Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。 　 　由于贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，而此假设在实际情况中经常是不成立的，因此其分类准确率可能会下降。为此，就衍生出许多降低独立性假设的贝叶斯分类算法，如TAN(tree augmented Bayes network)算法。

计算机视觉-增强学习MATLAB源码 增强学习（Reinforcement Learning）要解决的是这样的问题：一个能感知环境的自治agent，怎样通过学习选择能达到其目标的最优动作。 　 增强学习目的是构造一个控制策略，使得Agent行为性能达到最大。Agent从复杂的环境中感知信息，对信息进行处理。Agent通过学习改进自身的性能并选择行为，从而产生群体行为的选择，个体行为选择和群体行为选择使得Agent作出决策选择某一动作，进而影响环境。 增强学习是指从动物学习、随机逼近和优化控制等理论发展而来，是一种无导师在线学习技术，从环境状态到动作映射学习，使得Agent根据最大奖励值采取最优的策略；Agent感知环境中的状态信息，搜索策略（哪种策略可以产生最有效的学习）选择最优的动作，从而引起状态的改变并得到一个延迟回报值，更新评估函数，完成一次学习过程后，进入下一轮的学习训练，重复循环迭代，直到满足整个学习的条件，终止学习。

计算机视觉-稀疏表示MATLAB源码 稀疏表示（Sparse Representation）也叫作稀疏编码（Sparse Coding）,就是用字典中元素的线性组合去表示测试样本。 信号的稀疏表示并不是新的东西。很早就一直有在利用这一特性。例如，最简单的JPEG图像压缩算法。原始的图像信号经过DCT变换之后，只有极少数元素是非零的，而大部分元素都等于零或者说接近于零。这就是信号的稀疏性。 任何模型都有建模的假设条件。压缩感知，正是利用的信号的稀疏性这个假设。对于我们处理的信号，时域上本身就具有稀疏性的信号是很少的。但是，我们总能找到某种变换，使得在某个变换域之后信号具有稀疏性。这种变换是很多的，最常见的就是DCT变换，小波变换，gabor变换等。 然而，这种正交变换是传统视频图像处理采用的方法。目前所采用的一般不是正交变换。它是基于样本采样的。或者说是通过大量图像数据学习得到的，其结果称作字典，字典中的每一个元素称作原子。相关的学习算法称作字典学习。常见的算法例如K-SVD算法。学习的目标函数是找到所有样本在这些原子的线性组合表示下是稀疏的，即同时估计字典和稀疏表示的系数这两个

计算机视觉-字典学习MATLAB源码 字典学习（Dictionary Learning）和稀疏表示（Sparse Representation）在学术界的正式称谓应该是稀疏字典学习（Sparse Dictionary Learning）。该算法理论包含两个阶段：字典构建阶段（Dictionary Generate）和利用字典（稀疏的）表示样本阶段（Sparse coding with a precomputed dictionary）。

计算机视觉-BP学习MATLAB源码 BP算法就是目前使用较为广泛的一种参数学习算法. BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。 BP算法是建立在BP神经网络（多层前馈网络）上的一种算法，它根据神经网络的路径进行一层一层的运算，这个运算包括信号的正向传播和误差的反向传播两部分。