应该是目前为止互联网上能找到的关于yolo v1目标检测开源算法损失函数的最详尽的代码注释了吧！对于初学人工智能的朋友们应该有所帮助。

运行环境： 1.python 3.7.4 2.pytorch 1.4.0 3.python-opencv 说明 预训练的权重文件[vgg_16] 具体的配置文件请看Config.py文件 训练运行python Train.py 单张测试 python Test.py ##目前进度： 1、PERCLOS计算 DONE 2、眨眼频率计算 DONE 3、打哈欠检测及计算 DONE 4、疲劳检测 DONE 5、人脸情绪检测 DONE 6、口罩检测Done 网络检测性能：准确率82.18% 主要文件说明： ssd_net_vgg.py 定义class SSD的文件 Train.py 训练代码 voc0712.py 数据集处理代码（没有改文件名，改的话还要改其他代码） loss_function.py 损失函数 detection.py 检测结果的处理代码，将SSD返回结果处理为opencv可以处理的

从2013-2020所有主流目标检测算法论文， RCNN、Faster R-CNN、YOLOv1-YOLOv4、SSD等 和 部分代码

2021.3.21: 对模型结构进行细微调整优化，更新Yolo-Fastest-1.1模型 2021.3.19: NCNN Camera Demo 2021.3.16: 修复分组卷积在某些旧架构GPU推理耗时异常的问题 :high_voltage:Yolo-Fastest:high_voltage: Simple, fast, compact, easy to transplant A real-time target detection algorithm for all platforms The fastest and smallest known universal target detection algorithm based on yolo Optimized design for ARM mobile terminal, optimized to support reasoning framework Based on N

基于深度学习目标检测算法的滑坡检测研究.pdf

一种基于光流和二级聚类的移动背景下的目标检测算法.pdf

深度学习目标检测算法在行车记录仪上的应用.pdf

深度学习的目标检测算法综述大作业，一个小论文

此PDF为小编对整理的思维导图文件生成的源文件，总结了深度学习以及CNN火热后，目标检测相关算法的总览，其中还包含在19年轮回重生的anchor-free等算法，算是一个算法概述。

针对合成孔径雷达(SAR)图像中舰船目标稀疏的特点,提出一种基于级联卷积神经网络(CNN)的SAR图像舰船目标检测方法.将候选区域提取方法BING与目标检测方法Fast R-CNN相结合,并采用级联CNN设计,可同时兼顾舰船检测的准确率和速度.首先,针对SAR图像中相干斑噪声影响梯度检测的问题,在原有梯度算子的基础上增加平滑算子,并对图像尺寸个数和候选框个数进行适应性改进,使其提取到的候选窗口更快更准;然后,设计级联结构的Fast R-CNN检测框架,前端简单的CNN负责排除明显的非目标区域,后端复杂的CNN对高概率候选区域进行分类和位置回归,整个结构可以保证快速准确地对舰船这种稀疏目标进行检测;最后,设计一种联合优化方法对多任务的目标函数进行优化,使其更快更好地收敛.在SAR图像舰船检测数据集SSDD上的实验结果显示,所提出的方法相比于原始Fast R-CNN和Faster R-CNN检测方法,检测精度从65.2%和70.1%提高到73.5%,每张图像的处理时间从2235ms和198ms下降到113ms.