自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

FL1623863129的博客

  • 博客(5)
  • 资源 (284)
  • 收藏
  • 关注
全部文章> 2020年06月
排序：
按最后发布时间
按访问量
RSS订阅
12月 11月 10月 09月 08月 07月 06月 05月 04月 03月 02月 01月

原创 [Flask][原创]pycharm2020版设置HTML在Flask项目时候自动补全

默认你输入for补全是<for></for>这个需要设置然后在输入for即可自动补全了，在pycharm2020.1下测试通过

2020-06-28 20:41:30 568

原创 [Caffe SSD][转载]math_functions.cpp 250 Check failed a XXX= b 0 vs -1.19209e-007解决方法

最近因为这个错误折腾老长时间，重装caffe ssd好几次，没有什么作用，最后发现一个大佬解决这个问题问题一：math_functions.cpp:250] Check failed: a <= b <0 vs -1.19209e-007>解决：找到math_functions.cpp，找到在路径为~/caffe/src/caffe/util的math_functions.cpp，找到第250行出错的地方，双斜杠屏蔽，如下所示：最后重新在caffe路径下make -j8问题二：

2020-06-16 13:59:53 575

原创 一个可以快速复制opencv的lib库和PCL点云库lib库到附加依赖项的方法

我们知道如果opencv不是world.lib的话，那么配置的话需要一个一个在附加依赖项输入lib，这对于opencv可能还好点，因为最多就20多个lib，但是对于PCL的话，基本就不要想一个一个复制到依赖库，因为有40-60库，怎么快速复制呢，网上搞了一堆脚本，麻烦不说而且操作不方便，今天我为大家一款软件神器只需要打开软件把lib往里面拖就可以了，也可以拖拽文件夹，可以说一键搞定。首先我们打开软件对应opencv可以把lib文件夹往里面拖一下就完事了，这里介绍PCL的，我们知道PCL的库Debug

2020-06-04 06:28:24 384

原创 [技术杂谈][原创]caffe ssd报类似错Check failed height == datum_height解决方法

网上基本没有这个报错的解决方法，最终被我找出来了，原因生成lmdb问题，在生成lmdb时候，要把编码打开--encode_type=jpg --encoded=True，一开始我设置为空,encoded=False就会报类似于Check failed: height <= datum_height或者Check failed: height == datum_height或者Check failed: height >=datum_height的错误，如果不想编码也可以，进过实验证明，.

2020-06-02 17:01:29 421

原创 windows 10+ubuntu16.04全程配置CPU版本的caffe ssd并训练自己的数据研究报告

本人花了好几天，顺利完成windows版本caffe-ssd和ubuntu版本的caffe-ssd环境配置、脚本修改、最终独创一套高速自定义训练的项目包，可以在配置caffe ssd环境后可以迅速训练自己的数据，而不需要眼花缭乱的搞各种脚本，进行各种转换，这么麻烦了。虽然谈不上是专家，但是已经比较熟了，里面很多脚本都是本人亲自操刀书写。先来一张windows下面训练自己定义的数据窗口显示再来一张ubuntu下面CPU版本训练的caffe ssd截图两个平台的都差不多但是脚本有点区别，wind

2020-06-02 16:43:57 332

智慧养殖场肉鸡目标检测数据集VOC+YOLO格式3548张1类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：3548 标注数量(xml文件个数)：3548 标注数量(txt文件个数)：3548 标注类别数：1 标注类别名称:["boiler"] 每个类别标注的框数： boiler 框数 = 54270 总框数：54270 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 下载前请务必查看样张：https://blog.csdn.net/FL1623863129/article/details/142343495

2024-09-18

基于yolov8的肉鸡健康状态检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 AbNormal Normal 更多实现细节访问博文：https://blog.csdn.net/FL1623863129/article/details/142342406

2024-09-18

智慧养殖场肉鸡健康状态检测数据集VOC+YOLO格式4657张2类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：4657 标注数量(xml文件个数)：4657 标注数量(txt文件个数)：4657 标注类别数：2 标注类别名称:["AbNormal","Normal"] 每个类别标注的框数： AbNormal 框数 = 8447 Normal 框数 = 13163 总框数：21610 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息访问博文：https://blog.csdn.net/FL1623863129/article/details/142340382

2024-09-18

基于yolov8的红外小目标无人机飞鸟检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 Airplane Bird Drone Helicopter 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142336946

2024-09-18

红外微小目标无人机直升机飞机飞鸟检测数据集VOC+YOLO格式7559张4类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：7559 标注数量(xml文件个数)：7559 标注数量(txt文件个数)：7559 标注类别数：4 标注类别名称:["Airplane","Bird","Drone","Helicopter"] 每个类别标注的框数： Airplane 框数 = 971 Bird 框数 = 1214 Drone 框数 = 4242 Helicopter 框数 = 1431 总框数：7858 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 预览标注和图片更多信息参考博文：https://blog.csdn.net/FL1623863129/article/details/142334999

2024-09-18

无人机飞鸟检测数据集VOC+YOLO格式6647张2类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6647 标注数量(xml文件个数)：6647 标注数量(txt文件个数)：6647 标注类别数：2 标注类别名称:["Bird","Drone"] 每个类别标注的框数： Bird 框数 = 3567 Drone 框数 = 4290 总框数：7857 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142333919

2024-09-18

棉花叶子病害检测数据集VOC+YOLO格式977张22类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：977 标注数量(xml文件个数)：977 标注数量(txt文件个数)：977 标注类别数：22 重要说明：分辨率均为640x640，请仔细观看图片预览确认是否符合自己实际项目需求斟酌下载 下载前请务必参考博文确认数据集是否符合项目需求：https://blog.csdn.net/FL1623863129/article/details/142329963

2024-09-18

基于yolov8的舌苔识别检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 houbai（厚白） huihei（灰黑） houhuang（厚黄） fenhong（粉红） bobai（薄白） 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142324070

2024-09-18

基于yolov8的战斗机类型识别检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【使用步骤】 使用步骤： （1）首先根据官方框架https://github.com/ultralytics/ultralytics安装教程安装好yolov8环境，并安装好pyqt5 （2）切换到自己安装的yolov8环境后，并切换到源码目录，执行python main.py即可运行启动界面，进行相应的操作即可 【提供文件】 python源码 yolov8n.onnx模型（不提供pytorch模型） 训练的map,P,R曲线图(在weights\results.png) 测试图片（在test_img文件夹下面） 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142323060

2024-09-18

战斗机检测数据集VOC+YOLO格式10100张43类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片量(jpg文件个数)：10100 标注量(xml文件个数)：10100 标注量(txt文件个数)：10100 标注类别：43 标注类别名称:[“A10”,“A400M”,“AG600”,“AV8B”,“B1”,“B2”,“B52”,“Be200”,“C2”,“C5”,“C17”,“C130”,“E2”,“E7”,“EF2000”,“F4”,“F14”,“F15”,“F16”,“F18”,“F22”,“F35”,“F117”,“J20”,“JAS39”,“MQ9”,“Mig31”,“Mirage2000”,“P3”,“RQ4”,“Rafale”,“SR71”,“Su34”,“Su57”,“Tornado”,“Tu95”,“Tu160”,“U2”,“US2”,“V22”,“Vulcan”,“XB70”,“YF23”] 更多信息：blog.csdn.net/FL1623863129/article/details/142322747

2024-09-18

基于yolov8+lprnet的中文车牌识别系统python源码+pytorch模型+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.95 【模型可以检测出类别】 plate 视频演示：https://www.bilibili.com/video/BV1B5tYeSEyg/ 更多实现细节：https://blog.csdn.net/FL1623863129/article/details/142317812

2024-09-17

智能手机屏幕缺陷检测数据集VOC+YOLO格式1200张3类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1200 标注数量(xml文件个数)：1200 标注数量(txt文件个数)：1200 标注类别数：3 标注类别名称:["oilspot","scratch","star"] 每个类别标注的框数： oilspot 框数 = 554 scratch 框数 = 1335 star 框数 = 1135 总框数：3024 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/136764515

2024-09-17

基于USTC数据集结合mediapipe和yolov5算法实现的手语视频识别系统python源码.zip
下载后提取文件即可获取源码，注意这个需要安装pyqt5,opencv-python还有pytorch，您可以按照官方yolov5环境进行安装，然后安装完毕执行main.py函数接口看到界面出来，默认是打开摄像头，您也可以修改main.py第336行为'./video/t.avi文件路径进行测试

2024-09-16

AI健身体能测试之基于paddlehub实现引体向上计数个数统计源码+模型+视频例子+视频结果文件.zip
使用环境： paddlepaddle==2.4.2 paddlehub==2.4.0 理论上安装最新paddle环境也行。 实现的细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142307043

2024-09-16

基于yolov8的茶叶病害检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.70 【模型可以检测出类别】 Black rot of tea Brown blight of tea Leaf rust of tea Red Spider infested tea leaf Tea Mosquito bug infested leaf Tea leaf White spot of tea disease 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142305205

2024-09-16

茶叶病害检测数据集VOC+YOLO格式9591张8类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：9591 标注数量(xml文件个数)：9591 标注数量(txt文件个数)：9591 标注类别数：8 标注类别名称:["Black rot of tea","Brown blight of tea","Leaf rust of tea","Red Spider infested tea leaf","Tea Mosquito bug infested leaf","Tea leaf","White spot of tea","disease"] 更多详细信息参考博文：https://blog.csdn.net/FL1623863129/article/details/142304275

2024-09-16

茶叶7种常见病害数据集茶叶病害分类数据集6749张7类别.7z
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：6749 分类类别数：7 类别名称:["Unlabeled","algal_spot","brown_blight","gray_blight","healthy","helopeltis","red_spot"] 每个类别图片数： Unlabeled 图片数：439 algal_spot 图片数：1113 brown_blight 图片数：980 gray_blight 图片数：1000 healthy 图片数：1074 helopeltis 图片数：1000 red_spot 图片数：1143 重要说明：数据集里面茶叶均为单叶，请仔细查看图片预览，斟酌下载 更多信息查看：https://blog.csdn.net/FL1623863129/article/details/142303855

2024-09-16

狗狗表情识别VOC+YOLO格式3971张4类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：3971 标注数量(xml文件个数)：3971 标注数量(txt文件个数)：3971 标注类别数：4 标注类别名称:["angry","happy","relaxed","sad"] 每个类别标注的框数： angry 框数 = 1051 happy 框数 = 1041 relaxed 框数 = 1038 sad 框数 = 1010 总框数：4140 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/136329961

2024-09-16

基于yolov8的谢韦尔钢材缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.70 【模型可以检测出类别】 scratches pitting crack patches 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142300152

2024-09-16

谢韦尔钢材缺陷检测数据集VOC+YOLO格式6666张4类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6666 标注数量(xml文件个数)：6666 标注数量(txt文件个数)：6666 标注类别数：4 标注类别名称:["crack","patches","pitting","scratches"] 每个类别标注的框数： crack 框数 = 321 patches 框数 = 1911 pitting 框数 = 3085 scratches 框数 = 14700 总框数：20017 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1768317420/article/details/142298872

2024-09-16

基于yolov8的无人机检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 yolov5依赖模块 【模型可以检测出类别】 uav 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142298346

2024-09-16

基于yolov5的混凝土缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 yolov5依赖模块 【模型可以检测出类别】 ["Armatura in vista","Delaminazione","Efflorescenza","Fessura","Scaling","Spalling","Tracce di ruggine"] 对应中文类别 [“可见裂斑”、“分层”、“风化”、“缝隙”、“剥落”、“脱落”、“锈迹”] 更多信息：https://blog.csdn.net/FL1623863129/article/details/142297313

2024-09-16

混凝土缺陷检测数据集VOC+YOLO格式7513张7类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：7513 标注数量(xml文件个数)：7513 标注数量(txt文件个数)：7513 标注类别数：7 标注类别名称:["Armatura in vista","Delaminazione","Efflorescenza","Fessura","Scaling","Spalling","Tracce di ruggine"] 总框数：40324 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：对应中文类别 [“可见裂斑”、“分层”、“风化”、“缝隙”、“剥落”、“脱落”、“锈迹”] 更多信息：https://blog.csdn.net/FL1623863129/article/details/142294786

2024-09-16

无人机识别检测数据集VOC+YOLO格式6986张1类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6986 标注数量(xml文件个数)：6986 标注数量(txt文件个数)：6986 标注类别数：1 标注类别名称:["uav"] 每个类别标注的框数： uav 框数 = 7588 总框数：7588 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142292919

2024-09-16

痤疮严重程度分级分类数据集999张3类别.7z
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：999 分类类别数：3 类别名称:["Level_0","Level_1","Level_2"] 每个类别图片数： Level_0 图片数：387 Level_1 图片数：473 Level_2 图片数：139 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放 更多信息：https://blog.csdn.net/FL1623863129/article/details/142283582

2024-09-15

铁路列车手势分类数据集3852张5类别.7z
数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：3852 分类类别数：5 类别名称:["fache","jinzhanxinhao","tingchexinhao","yibiaozhengchang","zhenxiantinche"] 每个类别图片数： fache 图片数：783 jinzhanxinhao 图片数：882 tingchexinhao 图片数：684 yibiaozhengchang 图片数：1098 zhenxiantinche 图片数：405 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放 更多信息：https://blog.csdn.net/FL1768317420/article/details/142282367

2024-09-15

智慧交通铁路工人工服安全帽检测数据集VOC+YOLO格式3065张3类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：3065 标注数量(xml文件个数)：3065 标注数量(txt文件个数)：3065 标注类别数：3 标注类别名称:["cloth","hat","person"] 每个类别标注的框数： cloth 框数 = 7883 hat 框数 = 6515 person 框数 = 7973 总框数：22371 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注

2024-09-15

智慧交通铁路人员危险行为躺站坐检测数据集VOC+YOLO格式3766张4类别.7z
图片数量(jpg文件个数)：3766 标注数量(xml文件个数)：3766 标注数量(txt文件个数)：3766 标注类别数：4 标注类别名称:["sitting","sleeping","standing","track"] 每个类别标注的框数： sitting 框数 = 1406 sleeping 框数 = 689 standing 框数 = 1782 track 框数 = 1819 总框数：5696 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：数据集里面有很多增强图片请仔细查看图片斟酌下载。这个数据集主要是检测铁路上人的行为，铁路上动物等没有标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142281361

2024-09-15

智慧交通铁轨裂缝检测数据集VOC+YOLO格式4类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2709 标注数量(xml文件个数)：2709 标注数量(txt文件个数)：2709 标注类别数：4 标注类别名称:["crack","large-gap","medium-gap","small-gap"] 每个类别标注的框数： crack 框数 = 878 large-gap 框数 = 275 medium-gap 框数 = 442 small-gap 框数 = 1663 总框数：3258 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：数据集有部分存在增强图片请仔细看出图片预览斟酌下载 更多信息：https://blog.csdn.net/FL1623863129/article/details/142280337

2024-09-15

智慧交通铁路异物入侵检测数据集VOC+YOLO格式802张7类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：802 标注数量(xml文件个数)：802 标注数量(txt文件个数)：802 标注类别数：7 标注类别名称:["Train","bucket","motorbike","person","stone","vehicle","wood"] 每个类别标注的框数： Train 框数 = 242 bucket 框数 = 95 motorbike 框数 = 32 person 框数 = 822 stone 框数 = 193 vehicle 框数 = 299 wood 框数 = 84 总框数：1767 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：异物包括检测人、石头、木头、车、摩托车等 更多信息：https://blog.csdn.net/FL1623863129/article/details/142280171

2024-09-15

葡萄成熟度检测数据集VOC+YOLO格式1123张3类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：1123 标注数量(xml文件个数)：1123 标注数量(txt文件个数)：1123 标注类别数：3 标注类别名称:["ripe grape","semiripe grape","unripe grape"] 每个类别标注的框数： ripe grape 框数 = 956 semiripe grape 框数 = 118 unripe grape 框数 = 59 总框数：1133 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142276677

2024-09-15

疟疾恶性疟原虫物种目标检测数据集VOC+YOLO格式948张1类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：948 标注数量(xml文件个数)：948 标注数量(txt文件个数)：948 标注类别数：1 标注类别名称:["plasmodium"] 每个类别标注的框数： plasmodium 框数 = 7628 总框数：7628 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：网上看到同类数据集他们标注都存在问题。这个数据集专门经过写代码经过修复 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142275131

2024-09-15

windows将网易云ncm格式转换为mp3-flac的小工具.zip
在windows平台上，用户经常遇到的问题之一是无法直接播放网易云音乐下载的NCM格式音频文件，因为这是一种专有的加密格式。本压缩包提供了一个小工具，帮助用户将NCM格式转换为更通用的MP3或FLAC格式，以便在其他设备或音乐播放器上自由享用。：

2024-09-14

智慧交通基于yolov8的行人车辆检测计数系统python源码+onnx模型+精美GUI界面.zip
测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.70 【模型可以检测出类别】 person,car,bus,truck,traffic light 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142265382

2024-09-14

oracle好用卸载工具2个.zip
Oracle完全卸载工具，需要安装，一键卸载，亲测可用。

2024-09-14

基于yolov8的行人检测计数系统python源码+onnx模型+精美GUI界面.zip
【测试环境】 windows10 anaconda3+python3.8 torch==1.9.0+cu111 ultralytics==8.2.70 【模型可以检测出类别】 person(使用是官方coco 80类，可修改检测80类里面任意几个类别都行) 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142261234

2024-09-14

基于python实现的深度强化学习开发的网络入侵检测系统源码+数据集.zip
通过A3C（Asynchronous Advantage Actor-Critic）算法实现入侵检测系统（IDS），我们能够显著提升对网络空间中流量数据的识别与异常分类能力。A3C算法作为一种高效的强化学习算法，通过多个并行的智能体异步训练，有效解决了传统方法在连续动作空间和高维状态空间中的局限。在IDS中，A3C算法扮演智能决策引擎的角色，实时分析网络流量数据，利用Actor网络学习策略函数以选择最合适的响应策略，同时Critic网络评估这些策略的价值，并提供反馈以优化策略更新。这种并行化、异步化的学习方式不仅提高了训练效率，还增强了系统的稳定性和适应性，使得IDS能够更准确地识别正常流量模式与潜在的异常行为，从而在网络安全防护中发挥重要作用。

2024-09-14

基于python实现Transformer+CNN实现的网络入侵检测源码+详细注释+项目说明.zip
网络入侵检测+Transformer+CNN，提供csv格式数据集，代码包含详细注释。

2024-09-14

Mask-RCNN-TF2.10.0可训练推理源码+预训练模型+测试数据集.zip
官方原版框架为：github.com/matterport/Mask_RCNN，很可惜这个框架只支持tf1.x版本，现在显卡都RTX40系列了，RTX30系列及其以上没法正常用tf1.x的GPU版本，所以改写这个框架支持最新显卡，在windows上tensorflow-gpu==2.10.0可以正常预测和训练，理论支持tensorflow>=2.5.0，在linux上测试tensorflow-gpu==2.14.0也可以正常跑。源码里面提供了我自己标注数据集可以安装环境后直接运行train.py。安装环境需要和requirements_firc.txt模块版本一致，不一样可能跑不起来，尤其注意numpy版本。具体训练流程matterport/Mask_RCNN是一样的，可以百度随便找个教程跟着流程走即可

2024-09-14

俯拍航拍森林火灾检测数据集VOC+YOLO格式6116张2类别.7z
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：6116 标注数量(xml文件个数)：6116 标注数量(txt文件个数)：6116 标注类别数：2 标注类别名称:["fire","smoke"] 每个类别标注的框数： fire 框数 = 15380 smoke 框数 = 12613 总框数：27993 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：https://blog.csdn.net/FL1623863129/article/details/142254946

2024-09-14

查看更多

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除