YOLOV7-OBB：You Only Look Once OBB旋转目标检测模型在pytorch当中的实现

主要是文章里面的附件

传统目标检测模型采用人工设计的目标特征，造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度，然而针对实时性和精度要求比较高的煤矿救援机器人应用场合，获取的图像信息较少且目标特征不明显，造成目标检测效果较差。为提高目标检测精度和速度，基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块：特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息，增强目标特征表达能力，提高了目标分类精度和检测速度；特征融合模块在特征金字塔中引入空间注意力机制，对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合，弥补了高层特征图位置信息表达能力不足的缺点，提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验，检测精度为88.73%，检测速度为28帧/s，满足煤矿救援机器人目标检测的实时性和精度需求。

基于pytorch与yolo-v5的猪脸目标检测模型与代码，带有训练好的模型权重，开箱即用 带有测试样例代码，可以直接运行

yolov5 行人多目标检测模型 yolov5 行人检测模型 旷世提出的crowdhuman数据集训练的行人检测模型 crowdhuman数据集训练的行人检测模型 epoch=300

yolov5口罩检测，此模型已融合了attention机制，best.pt放在主目录下，考虑到训练时间使用的yolov5x，mAp96%左右，能够较高的识别人脸是否佩戴口罩，可以修改损失函数继续进行优化

基于megengine的FCOS的目标检测模型，主干网络ResNet101

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

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

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