适用初学者对车道线的识别，或者识别自己的图片；毕业设计可用；

98%高识别率

YOLOv5安全帽检测训练好的模型和代码，几千张数据训练了150轮得到的权重文件，mAP和召回率recall达到了90%多，PR曲线等图保存在runs文件夹中 ，配置好YOLOv5的环境就可以直接运行 数据集和检测结果：https://blog.csdn.net/zhiqingAI/article/details/124230743

此代码包含了电车戴头盔数据集（数据集从biying，baidu，google获取，本人手动标注）。训练完成后，可对戴头盔和不戴头盔的的图片进行头盔检测。并使用了PyQT编写了GUI界面，可通过可视化操作读取图片信息并对是否戴头盔进行检测。

当前yolo系列性能最好的目标检测算法！！！（同时轻微降点实现端到端检测），相对于yolo_v4,yolo_v5,pp_yolo等性能较好的算法，在速度仅仅增加1ms左右的情况下，mAP精度实现0.8-2.9左右的涨点。本算法是根据旷视科技开源算法yolox复现的pytorch版本，内含各种对数据集处理，裁剪，数据增强的脚本，标注好的数据集，推理结果以及详细的使用说明，可轻松迁移到其他例如车牌人脸虫害识别，遥感、缺陷、自动驾驶等检测业务场景。也可作为高校大学生的毕业课程设计使用。

概述 这是pytorch中基于模型的RL算法MBPO的重新实现，如下文所述：。 该代码基于的使用张量流集成模型重现了结果，但使用pytorch集成模型却表现出明显的性能下降。 这段代码使用pytorch重新实现了集成动力学模型，并缩小了差距。 转载结果 比较是在两个任务上完成的，而其他任务没有经过测试。 但是在经过测试的两个任务上，与官方的tensorflow代码相比，pytorch实现获得了类似的性能。 依存关系 MuJoCo 1.5和MuJoCo 2.0 用法 python main_mbpo.py --env_name'Walker2d-v2'--num_epoch 300 --model_type'pytorch' python main_mbpo.py --env_name'Hopper-v2'--num_epoch 300 --model_type'pytorch' 参考

GMAN 的 PyTorch 实现：用于交通预测的图多注意网络 这是以下论文中图多注意力网络的测试 PyTorch 版本实现：Chuanpan Zheng、Xiaoliang Fan、Cheng Wang 和 Jianzhong Qi。 “ ”，AAAI2020。 要求 Python 火炬 熊猫 Matplotlib 麻木 数据集 数据集可以解压缩并从此存储库中的数据目录加载。 引文 此版本的实现仅用于学习目的。 有关研究，请参考并引用以下论文： @inproceedings{ GMAN-AAAI2020, author = "Chuanpan Zheng and Xiaoliang Fan and Cheng Wang and Jianzhong Qi" title = "GMAN: A Graph Multi-Attention Network for Traffic

arm7l版的pytorch1.6.0的.whl资源 树莓派arm7l cpu 上装 pytorch1.6.0, torchvision-0.8.0

DeepLab (ResNet-101) COCO-Stuff 10k的PyTorch实现

pytorch训练AI自动玩小游戏代码合辑-AIPianoTiles别踩小白块.zip