为了解决在复杂背景以及人流密集且互相遮挡的场景下, 对人流密度进行估计精度低的问题, 提出了基于YOLOv3增强模型融合的方法进行人流密度估计. 首先将数据集分别进行头部标注和身体标注, 生成头部集和身体集. 然后用这两个数据集分别训练两个YOLOv3增强模型YOLO-body和YOLO-head, 最后使用这两个模型在相同的测试数据集上推理, 将其输出结果进行极大值融合. 结果表明基于YOLOv3增强模型融合的方法, 与原始目标检测方法和密度图回归的方法相比精度提高了4%, 且具有较好的鲁棒性.
2023-03-15 22:18:19
1.3MB
1
煤矿井下传送带在无煤或煤量较少的状态下长时间高速运转, 会耗费大量的电能. 为了节省井下传送带造成的电能损耗, 本文提出了一种边缘结构相似算法和YOLOv3结合的传送带空载判定方法. 通过边缘结构相似算法将结构特征和边缘特征相融合, 每相邻10帧比较图片的相似度, 连续比较3次判断传送带的运行状态. 若传送带运行, 则运用自适应锚框机制的YOLOv3模型, 检测传送带上的煤量, 最后判断传送带是否空载. 实验结果表明, 该方法可以有效准确的判断传送带的空载状态, 检测准确率达到96.85%.
2022-10-22 22:26:00
986KB
1
参考博客链接：https://blog.csdn.net/m0_46384757/article/details/116424523
2022-07-01 21:07:40
657.58MB
前面几篇文章完成了训练端和部署端的环境搭建以及模型的训练，并经过两次模型转化最终将YOLOv3 TINY模型部署在了树莓派上。其实最核心的内容已经完成了，接下来就是一些应用层面的东西了。
树莓派控制马达：
1. 材料硬件：
1.树莓派3B+
2.四个直流电机
3.一个小车底盘+四个车轮（某宝上有卖）
V0L3UwMTA5NjgzNTA=,size_16,color_FFFFFF,t_70#pic_center)
4.L298N驱动模块（介于树莓派与马达之间的桥梁）
5.充电宝一个（用于给树莓派供电）
6.18650锂电池两节（给小车马达供电，普通干电池真的不能用，不然你会拥有好多废电池）
2022-03-15 17:27:52
549KB
1
为了满足工业上对织物缺陷检测的实时性要求,提出一种基于S-YOLOV3(Slimming You Only Look Once Version 3)模型的织物实时缺陷检测算法。首先使用K均值聚类算法确定目标先验框,以适应不同尺寸的缺陷;然后预训练YOLOV3模型得到权重参数,利用批归一化层中的缩放因子γ评估每个卷积核的权重,将权重值低于阈值的卷积核进行剪枝以得到S-YOLOV3模型,实现模型压缩和加速;最后对剪枝后的网络进行微调以提高模型检测的准确率。实验结果表明:对于不同复杂纹理的织物,所提模型都能准确检测,且平均精度均值达到94%,剪枝后检测速度提高到55 FPS,所得的准确率与实时性均满足工业上的实际需求。
2021-12-29 16:05:55
14.64MB
1
本数据集用于新手快速学习模型训练过程。（该数据集图片较少，训练出模型后识别准确率低，但可测试原数据集内图片。
2021-12-10 20:08:58
27.1MB
1
针对当前行人检测方法实时性和精度不能同时兼顾的问题,提出基于YOLOv3改进的实时行人检测算法。本算法对YOLOv3模型进行改进,融入标签平滑,增加多个尺度检测,并采用k-means算法得到模型中的anchors值,实现自动学习行人特征。通过在Caltech数据集上测试结果表明,改进后的YOLOv3行人检测算法mAP(mean Average Precision)达到了91.68%。在分辨率1 920×1 080的视频下,运行速度超过每秒40帧,满足实时行人检测的需求。在Daimler、INRIA行人检测数据集测试结果表明,该改进模型同样具有良好的性能,从而验证该模型具有良好的鲁棒性和泛化能力。
2021-11-09 12:59:21
765KB
1
本课程内容分为5个部分：
1.海思35xx SDK资料梳理以及SVP相关文档详细介绍
2.将darknet框架训练出来的yolov3模型转换成caffemodel
3.RuyiStudio工具的安装及其使用
4.Windows上仿真代码的运行以及代码分析
5.开发板上的sample代码的运行以及代码分析
本课程特色：
1. 不是照本宣科，着力把背后的原理讲清楚。
2. 实用性很强。 目标检测算法是计算机视觉基本任务之一，而YOLOv3则仍然是目前工业界中应用非常广泛的算法模型，从速度、准确度以及易用性的trade-off来看，它目前仍然是最好的算法模型之一。
2021-09-01 09:10:00
99.25MB
1