数据集 数据集_从零开始学习SSD目标检测算法训练自己的数据集

基于yolov7实现卡车识别检测源码+训练好模型(9000多个卡车目标训练)+配置文件+评估指标曲线.zip 模型识别检测类别为1类 ['卡车'] 【模型介绍】 1.模型使用的是yolov7-tiny.yaml、hyp.scratch.custom.yam训练 2.模型使用高性能显卡+高质量数据集训练迭代200次得到，识别检测效果和评估指标曲线都不错，实际项目所用，不需要二次训练或者微调，可用作实际项目、课程实验作业、模型效果对比、毕业设计、课程设计等，请放心下载使用！

SCUT HEAD人头检测数据集包含4405张标记了111251个人头的图像。数据集分两部分，第一部分2000张图像源自大学教室的监控视频，第二部分2405张图像爬取自网络，数据集图像中的人头均有边界框和注释。 数据标注经用xmin、ymin、xmax和ymax坐标标记了每个可视头部，并确保注释覆盖整个头部，包括部分，但没有额外的背景。A部分和B部分分为培训和测试部分。数据集遵循Pascal VOC标准

weak 对决策树算法的实际应用 有训练和测试两部分，如果你是数据挖掘的新手，那么这个文档会告诉你如何使用weka用于实际的算法进行挖掘，保证让你满意

1、数据集图片一共1316张，未做数据增强，标签格式有两种，分别为voc格式(xml文件)和yolo格式(txt文件)，下载后需要做数据增强的，可以私信我。 2、数据集亲自收集、爬取，亲手标注，质量还不错。 3、该数据集属于目标检测数据集，可以筛选出制作分类数据集。 备注：使用过程有问题可以私信我

1、数据集图片一共1316张，未做数据增强，标签格式有两种，分别为voc格式(xml文件)和yolo格式(txt文件)，下载后需要做数据增强的，可以私信我。 2、数据集亲自收集、爬取，亲手标注，质量还不错。 3、该数据集属于目标检测数据集，可以筛选出制作分类数据集。 备注：使用过程有问题可以私信我

滤波算法训练数据（草坪）

效果展示： https://user-images.githubusercontent.com/36581610/78828927-79ee7900-79b3-11ea-9b25-936f19c4bf4a.gif 计分 1 行清零 = 100 分 2 行清零 = 200 分 3 线清除 = 300 点 清除 4 行（1 个俄罗斯方块）= 800 分 背靠背俄罗斯方块 = 1200 分 计算移动 当一块棋子开始发挥作用时，系统首先计算该棋子可以放置的每个可能的位置。对于每个位置，计算结果游戏状态的特征。 特征 相邻列的总高度差 空洞（无法用一块填充的空白空间） 结构的最大高度 结构的最小高度 行已清除 这些特征被输入到神经网络，神经网络输出该位置的分数。对于每个展示位置都重复此操作，并选择得分最高的展示位置。返回一个移动集，然后系统执行该移动集以将棋子放置到选定的位置。 有 10 列和 4 个旋转，因此每件有 40 个位置要计算。 更多详情，请下载后阅读README.md文件

效果展示： https://user-images.githubusercontent.com/36581610/50392983-e7c05400-0720-11e9-8c97-523f1e3687b7.gif https://user-images.githubusercontent.com/36581610/48689204-5c8af600-eb97-11e8-8deb-e0391667e4d7.PNG 神经网络 每个涂鸦都包含一个神经网络。神经网络有一个 5 个神经元的输入层、2 个 4 个神经元的隐藏层和一个 2 个神经元的输出层。 遗传算法 创建了 200 幅涂鸦，每幅涂鸦都有自己的神经网络。在所有涂鸦死后，选择一些得分最高的涂鸦来复制并创建一个由 200 个涂鸦组成的新种群。每一代都重复这个过程。 想象 涂鸦可以看到 5 个方向。在这些方向中的每一个上，涂鸦都可以看到到一个垫子的距离，如果那个方向上有一个垫子的话。

该软件包接受的唯一图像是 .pgm（便携式灰度图）图像。 所有图像的大小应相同。 训练： 需要一组人脸图像来训练系统。 这些图像应放在 Matlab 路径中的单个文件夹中。 使用以下函数进行训练： [图像,H,W,M,m,U,omega]=trainingEF(trainingFolder); 在哪里 trainingFolder - 包含训练人脸图像的文件夹的完整路径 认出： 要识别的人脸图像也应该是 .pgm 文件。 使用以下函数进行识别： testingEF(testImage,images,H,W,M,m,U,omega) 在哪里testImage - 要识别的人脸图像的文件名（带扩展名）， images,H,W,M,m,U,omega - 训练函数的输出参数 测试图像和测试图像对应的训练集中的图像显示为输出。