YOLO网络检测手的数据集，已经标注好xml文件，可直接训练。

1500个左右烟雾数据集（yolov5可直接使用）

小目标、飞机相互遮挡等难以检测的问题,对飞机检测的准确性及实时性提出很大的挑战。将实时性较高的YOLO v3算法应用到机场场面飞机检测领域,并提出两点改进:将骨干网络中的卷积层替换为空洞卷积,保持较高分辨率及较大感受野,提高模型对小目标检测的准确率;通过线性衰减置信得分的方式,对非极大值抑制(NMS)算法进行优化,以提升模型对被遮挡飞机的检测能力。结果表明,改进后的YOLO v3能够较好地检测小目标和遮挡飞机,且在保证实时性的前提下,将检测准确率从72.3%提高到83.7%。

Yolov5 +使用PyTorch进行深度排序 介绍 该存储库包含PyTorch YOLOv5的简化版（ ）。 它过滤掉不是人的所有检测。 然后，将对人员的检测传递给跟踪人员的深度排序算法（ ）。 它仅跟踪人员这一事实背后的原因是，深度关联度量仅在人员数据集上进行训练。 描述 该实现基于两篇文章： 使用深度关联指标进行简单的在线和实时跟踪 YOLOv4：物体检测的最佳速度和准确性 要求 安装了所有requirements.txt依赖关系的Python 3.8或更高版本，包括torch> = 1.7。 要安装运行： pip install -U -r requirements.txt 所有依赖项都包含在关联的docker映像中。 Docker要求是： nvidia-docker Nvidia驱动程序版本> = 440.44 在运行跟踪器之前 递归克隆存储库： git clo

深度学习-物体检测-YOLO系列，完整版11章，附源码+课件+数据，2020年最新录制；整体风格通俗易懂，原理+实战实战 章节1 深度学习经典检测方法概述 章节2 YOLO-V1整体思想与网络架构 章节3 YOLO-V2改进细节详解 章节4 YOLO-V3核心网络模型 章节5 项目实战-基于V3版本进行源码解读 章节6 基于YOLO-V3训练自己的数据与任务 章节7 YOLO-V4版本算法解读 章节8 V5版本项目配置 章节9 V5版本项目工程源码解读 章节10 基础补充-迁移学习与Resnet网络架构 章节11 基础补充-物体检测FasterRcnn系列

yolo-mark用于数据集标记，已经进行了打包，可直接解压后在./yolo-mark目录下使用cmd指令运行yolo-mark，需要自行更改cmd指令中的路径以及obj.names文件中的项目名称。但是注意一点，请不要用train.txt文件直接进行训练，一是因为没有进行过分类，二是因为目录路径可能不对。 示例：yolo_mark.exe data/imgs data/train.txt data/obj.names 其中data/imgs为需要标记的图片目录，data/train.txt为记录的已标记图片路径，data/obj.names内为项目名称。可以与https://download.csdn.net/download/a564636465/18974955该程序配合使用

实现将labelimg保存的yolo格式的txt文件，格式为{class,x,y,w,h}转换为格式为{class,xmin,ymin,xmax,ymax}的txt文件。 修改的时候只需改变txt路径。

本资源是coursera上吴恩达老师深度学习系列课程第二课相关的资料，里面有每一单元编程作业的测试代码和所需数据集

本资源为本人YOLOV3翻译笔记，翻译经过本人按原论文排版和内容校对，确保能够达到原论文一样效果，非常欢迎对目标检测和YOLOV3感兴趣朋友下载学习，共同进步，建议一起下载YOOLOV2论文翻译，因为这个对很多原理性东西讲的很清楚。链接：https://download.csdn.net/download/qq_42109740/12318134

这个小项目是基于flask微型目标检测服务。使用的是YOLOv3版本，加载的是在coco数据集上已经训练好的参数。我运行的环境是window10，pycharm。详情请看：https://blog.csdn.net/qq_31112205/article/details/101076676