2021.4.22 更新了全部标注的json文件！！！ 另有可跑通的整套deeplab_v3+的pytorch工程代码 电力巡检行业特殊数据集，由无人机或巡检机器人在塔内作业时拍摄得到，可用于缺陷检测玻璃绝缘子串是否自爆。数据集为4k分辨率的图像及对应的标签，每张均采用labelme软件，花费大量时间手工标注（标注不易请理解），mask格式为8位灰度图，像素值为（1,1,1），视觉效果为看不到物体的黑色但是有像素值。

采用pytorch深度学习框架实现的deeplab_v3+语义分割任务，谷歌deeplab系列性能最好也是最复杂的一个版本，可满足绝大部分基础语义分割场景。主干网络在算力不足时可选择轻量版的mobilenet_v2，算力足够时可选择Xception。 deeplab_v3+：用一个简单有效的解码器模块扩展deeplab_v3优化细分结果，尤其是沿目标边界。此外，在这种编码器 - 解码器结构中，可以通过空洞卷积任意地控制所提取的编码器特征的分辨率，以平衡准确率和运行时间。 本代码可作为入门计算机视觉语义分割任务时的学习了解用处，也可作为高校大学生的毕业课程设计使用。

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。