基于YOLOv5和PSPNet的实时目标检测和语义分割系统源码.zip

使用 TensorFlow Object Detection API 进行实时目标检测（基于 SSD 模型） 实验目的 使用 TensorFlow Object Detection API 进行实时目标检测（基于 SSD 模型） 任务列表： • 行人识别 • 人脸识别 • 交通灯识别 • 实时检测（平均 FPS>15） • 使用 tflite 将模型移植到嵌入式设备

基于TensorFlow.js的YOLOv5实时目标检测项目源码.zip

基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时目标检测项目代码 基于TensorFlow.js的YOLOv5实时

NanoDet-PyTorch 说明：NanoDet作者开源代码地址： （致敬） 该代码基于NanoDet项目进行小裁剪，专门用来实现Python语言、PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测。 YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备； 轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。 NanoDet 是一种 FCOS 式的单阶段 anchor-free 目标检测模型，它使用 ATSS 进行目标采样，使用 Generalized Focal Loss 损失函数执行分类和边框回归（box regression） 模型性能 Model Resolut

SlimYOLOv3：适用于无人机的实时目标检测应用，拥有更窄，更快，更好

2021年愿景 2021年第一个FRC银河搜寻任务视觉代码。该代码将能够使用Nvidia Jetson Nano和YOLOv5在运动场上运行实时目标检测。 YOLOv5对象检测信息/文档 YOLOv5是用于实时对象检测的AI对象检测库。 资源 用法 注意：所有软件包和模块都使用virtualenv坐在虚拟环境中。要为此仓库运行任何命令，您必须输入venv。 FROM YOLOv5_trained_model目录键入source venv/bin/activate以启动环境变量 powercell_model / YOLOv5_Trained_Model目录中的文件都是经过训练的ML模型。它由data.yaml，custom_yolov5s.yaml和best.pt（即经过训练的模型文件）组成。 注意：Roboflow用于创建yolov5格式。 要获取（或更新）训练后的模型，请执行以下操作

实时目标检测与跟踪系统的设计与实现。。。。。。。。

为了实现高速场景下的智能实时目标检测，设计了一种基于ZYNQ7000系列FPGA的高速相机平台，并利用该平台进行目标检测算法实现,形成了一套高帧频实时目标检测系统样机。该系统将高速CMOS图像信号直接接入FPGA，在本地FPGA中进行数据处理，实现目标检测算法，最终实时输出目标位置序列。FPGA设计采用流水线结构，对高速视频流图像逐级进行背景差分、二值化、质心解算的流水操作，实现了图像获取与目标检测同步进行。测试结果表明，该系统在560×480分辨率下可以实现大于1 100 f/s的实时目标检测，并输出目标位置，检测精度可达3个像素。

基于深度学习的实时目标检测。包括Windows平台运行演示软件、模型网络和结构、模型推理和封装原始代码。主要采用yolov3进行32种常见的目标检测（模型可根据自己的需要进行定制替换，软件和软件源代码可以重复使用）