本资源对应博文机器学习实验三：深度学习物体检测，为其模型文件及原始图，来源老师。

深度学习入门额课程---物体检测实例视频教程，希望能够学习者提供帮助，实现对物体检测实例基础知识的掌握与理解，为后续学习做好铺垫，实现物体检测实例知识的灵活运用

基于增强anchor与context的小物体检测算法，周星宇，，小物体检测在安防、人脸识别、自动驾驶等领域中有重要的应用价值。当前小物体检测性能欠佳，主要表现为容易漏检，且易识别错误。

计算机视觉-物体检测-通用解决框架Mask-Rcnn实战课程旨在帮助同学们快速学习物体检测领域当下主流解决方案与网络框架构建原理，基于开源项目解读其应用领域与使用方法。通过debug方式，详细解读项目中每一模块核心源码，在代码角度理解网络实现方法与建模流程。为了方便同学们能将项目应用到自己的数据与任务中，实例演示如何针对自己的数据集制作标签与代码调整方法，全程实战操作，通俗讲解其中复杂的网络架构。

唐宇迪博士物体检测faster-rcnn，基于tensorflow框架，很实用

PASCAL Visual Object Classes Challenge 2010年的图像数据集。PASCAL Visual Object Classes 是一个图像物体识别竞赛，用来从真实世界的图像中识别特定对象物体，共包括 4 大类 20 小类物体的识别。其类别信息如下。 Person: person Animal: bird, cat, cow, dog, horse, sheep Vehicle: aeroplane, bicycle, boat, bus, car, motorbike, train Indoor: bottle, chair, dining table, potted plant, sofa, tv/monitor

Caltech101 是一个图像物体识别数据集，包含 101 类物体的图像，每个类别中最小包含 31 张图片。

NWPU VHR-10 Dataset 是一个用于空间物体检测的 10 级地理遥感数据集，其拥有 650 张包含目标的图像和 150 张背景图像，共计 800 张，目标种类包括飞机、舰船、油罐、棒球场、网球场、篮球场、田径场、港口、桥梁和汽车共计 10 个类别。 NWPU VHR-10 地理空间物体检测遥感数据集.xlsx

Deep SORT —— YOLO v4 目标检测跟踪 介绍 项目采用 YOLO v4 算法模型进行目标检测，使用 Deep SORT 目标跟踪算法。 支持系统：Windows系统、Ubuntu系统 运行环境 Keras==2.4.3 tensorflow-gpu==2.3.1 opencv-python==4.4.0.44 image==1.5.33 NVIDIA GPU CUDA 目录结构 deep-sort-yolov4 ┌── deep_sort DeepSort目标跟踪算法 │ ├── detection.py │ ├── generate_detections.py │ ├── iou_matching.py │ ├── kalman_filter.py │ ├── linear_assignment.py │

Caltech-256 是一个图像物体识别数据集，包含 30608 张图片，256个物体类别，每类图片最少80张，最多827张。