1.项目基于FasterRCNN 模型，通过RPN 网络获取图片候选区域，以Restnet50 提取特征，实现生活垃圾的智慧分拣。 2.项目运行环境：硬件环境和Python 环境。其中FasterRCNN 对计算要求较高，有一部分是Restnet50 的卷积层。必须使用较大内存的GPU 才可以完成训练。在本项目中，用华为云提供的模型训练服务（GPU tesla P100)实现，链接:https://www.hwtelcloud.com/products/mts。 3.项目包括2个模块：5 个模块：数据预处理、数据加载、模型构建、模型保存及训练、模型加载及调用。数据下载地址： https://pan.baidu.com/s/1ZAbzYMLv0fcLFJsu64u0iw，提取码 yba3 4.准确率评估：本部分包括模型准确率和分类别准确率。数据总体准确率为 0.840 识别效果比较理想。其中面包、菜根、瓜子壳的类别准确率较低。

更快的RCNN Faster RCNN的基本实现

基于pytorch预训练模型使用Faster RCNN调用摄像头进行目标检测【无敌详细！简单！超少代码！】

基于megengine的FasterRCNN的目标检测模型，主干网络ResNet18

基于megengine的FasterRCNN的目标检测模型，主干网络ResNet34

基于megengine的FasterRCNN的目标检测模型，主干网络ResNet50

基于megengine的FasterRCNN的目标检测模型，主干网络ResNet101

基于megengine的FasterRCNN的目标检测模型，主干网络ResNext101

虫子识别fasterrcnn模型.tar 可以用于虫子的fasterrcnn模型，解压直接可以用。

一类是two-stage，two-stage检测算法将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修），这一类的典型代表是R-CNN, Fast R-CNN, Faster R-CNN，Mask R-CNN家族。他们识别错误率低，漏识别率也较低，但速度较慢，不能满足实时检测场景。 另一类方式称为one-stage检测算法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，比较典型的算法如YOLOv5，SSD，RetinaNet等。 FasterRCNN和yolov5可以说是目前最先进的两类算法，本次将使用FasterRCNN和yolov5训练飞机目标识别的项目