基于YOLOv5模型的检测训练，用于识别课堂上学生实时表现情况。内含已经训练好的权重文件和调试好的项目源码，一个简单的模型训练可以参考学习一下。

鸟巢目标检测图像数据集（1000多张高清原图；YOLO，VOC两类标签，网盘下载链接）.txt

Matlab的耳语代码无码 该存储库适用于以下论文中介绍的具有Lp范数约束的非凸优化（NOLC），并且是在Matlab R2014a中构建的。 Zhang T，Wu H，Liu Y，et al。 [J]。 遥感，2019，11（5）：559。 有关我的更多信息，您可以访问我的。 内容 介绍 红外搜索与跟踪（IRST）系统已被广泛使用，红外小目标检测领域也受到了广泛的关注。 在此背景下，本文提出了一种基于具有Lp范数约束（NOLC）的非凸优化的红外小目标检测方法。 NOLC方法用Lp范数增强了稀疏项约束，同时适当地缩放了低秩项的约束，因此NP难问题转化为非凸优化问题。 首先，将红外图像转换为斑块图像，然后通过乘数的交替方向方法（ADMM）对其进行求解。 通过改进收敛策略，给出了一种有效的求解器。 实验表明，NOLC能够准确地检测出目标并极大地抑制了背景，证明了NOLC方法在检测效率和计算效率上的优势。 图1.具有不同p值的几何。 从左上到右下分别等于2.8、1.4、1、0.7。 图2.红外图像的低秩特性和稀疏性说明。 方法 图3. NOLC模型的检测流程。 下表中给出了NOLC模型的迭代

本篇综述的出发点一方面是希望给检测方向的入门研究人员提供一个技术概览，帮助大家快速了解目标检测技术上下文；另一方面是给工业界应用人员提供一些参考，通过本篇综述，读者可以根据实际业务场景，找到合适的目标检测方法，在此基础上改进、优化甚至是进一步创新，解决实际业务问题。本文对其中的27篇论文进行介绍，这27篇论文涵盖了 2013 以来，除 SSD、YOLO 和 R-CNN 系列之外的，所有引用率相对较高或是笔者认为具有实际应用价值的论文。

该资源为红外热成像数据集和标记好的XML文件，且仅对数据集中的人进行了标注，共有3493张红外热成像图片和对应标注好的3493个XML格式文件。该资源可用于深度学习中红外热成像人体的识别，且仅供学习和研究，不以盈利为目的；同时也希望能够促进基于深度学习的目标检测在红外热成像方面的发展。

基于小波变换分割图像，用于分离简单的纹理、缺陷

基于目标检测的工程车辆行为识别

72. 电力设备内部绝缘油泄漏检测图像数据集（300多张数据+VOC标签）

网上爬取的相关图像，耗时3周重新整理标注的，共一万多张数据，可用于是否佩戴口罩的目标检测训练，标注格式为VOC，可根据需求转换为yolo等需要的格式。 PS：数据集太大，分了三个压缩包，需全部下载完再解压，此文件为压缩卷1，收费在这个文件。

网上爬取的相关图像，耗时3周重新整理标注的，共一万多张数据，可用于是否佩戴口罩的目标检测训练，标注格式为VOC，可根据需求转换为yolo等需要的格式。 PS：数据集太大，分了三个压缩包，需全部下载完再解压，此文件为压缩卷2。