2020年12月_FL1623863129

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 labelme标注json文件转换为VOC数据集xml格式批量转换方法

lableme一般都是不规则形状标注，也可以矩形标注，但是有时候手头有json格式的文件而且很多咋办？写脚本可以解决问题，但是对于初学者来说可能会有点麻烦，尤其对于刚学python的童鞋来说，可能一天的都写不出来。为了解决这个问题，专门开发一个可以在windows上一键转换json格式到标准的VOC数据集格式xml文件（软件需要授权使用，关注微信公众号：未来自主研究中心，可以联系我们获取软件），而且自动将json文件图片保存下来。经过测试labelme标注的json文件转成xml文件后可以顺利在labelI

2020-12-30 17:48:40 1909 1

原创 [caffe][原创]ubuntu18.04+matlab2018b编译matcaffe失败经历

测试环境：ubuntu18.04matlab:R2018bcuda:10.0+cudnn7.6.5opencv:3.4.4gcc/g++:7.5.0编译matcaffe还算正常：make matMEX matlab/+caffe/private/caffe_.cpp使用 'g++' 编译。警告: 您使用的 gcc 版本为 '7.5.0'。不支持该版本的 gcc。MEX 当前支持的版本为 '6.3.x'。有关当前支持的编译器列表，请参阅: https://www.mathworks.

2020-12-29 15:26:34 302 2

原创 [深度学习][原创]利用darknet yolov3训练yolov3-spp的预训练模型获取方法

yolov3-spp训练过程和yolov3完全一样，只是预训练模型在哪呢，网上都么有找到，可以用下面方法生成./darknet partial cfg/yolov3-spp.cfg Yolov3-spp.weight yolov3-spp.conv.15 15

2020-12-25 11:06:12 583

原创 pdf批量修改属性工具软件使用教程

pdf批量修改属性工具是由FIRC团队研发一款可以修改pdf得主题、标题、作者、PDF应用程序、创建日期、修改日期，文件创建时间、访问时间和修改时间。界面如图所示单个版批量版使用方法：将pdf导入软件界面后软件会自动获取pdf一些属性信息，我们只要修改参数点击开始修改即可。使用平台:windows7/windows7/windows10不支持win xp使用注意：（1）使用前请务必备份文件，文件存在可能修改损坏风险（2）为空表示不修改，如果你想清除文件..

2020-12-24 22:31:34 2307

原创 [技术杂谈][原创]一位从事嵌入式开发人员真实讲述：华为Atlas开发套件和Jetson开发套件哪个好？

本人从事过和Atlas开发套件开发工作和Jetson开发套件开发工作。先说说哪个更好，其实Jetson开发套件开发现在完全吊打Atlas开发套件。不是我崇洋媚外，也不是我故意贬低，下面就用真实对比说说吧。（1）atlas200,500系列刚发展，不是很成熟，资源相对较少，光有论坛支撑，没有开发人员支撑，很多开发人员感到前所未有挑战，那就是开发难度大，开发周期长（2）华为atlas系列最致命缺陷在于版本更迭混乱互不兼容，C32和C73完全不兼容，而且atlas系列每出一个系列，总要或多或少改代码才能运行起

2020-12-20 15:19:01 1996 3

原创 [深度学习][原创]yolov3 ap计算结果生成文件正确操作

网上大部分没有说清楚。首先在当前目录新建一个文件夹results，然后终端执行darknet detector valid cfg/voc.data cfg/tiny_yolo_voc.cfg tiny_yolo_voc.weights即可，我看了网上都说darknet detector valid cfg/voc.data cfg/tiny_yolo_voc.cfg tiny_yolo_voc.weights -out result.txt但是这样会报错段错误 (核心已转储)，所以正确

2020-12-17 09:45:31 289

原创 [python][原创]计算IOU和NMS

def compute_iou(rec1, rec2): """ computing IoU :param rec1: (xmin,ymin,xmax,ymax), which reflects (left,top, right,bottom) :param rec2: (xmin,ymin,xmax,ymax) :return: scala value of IoU """ # computing area of each .

2020-12-17 09:22:15 144

原创 [deepstream5.0][原创]deepstream5.0 python api 实现yolov3视频检测

基于deepstream5.0 python api 实现yolov3视频检测目前全网和官网都没有提供详细案例，本作为python api实现yolov3开山篇，下面给出超级详细步骤，关注我的github，如果可以请给我star。项目目前情况：实现了对象检测、置信度、边框信息获取，遗憾的是暂时没有实现怎么获取图像数据，这个等大佬来弄了。下面是详细安装和运行步骤：本文项目地址（别忘了顺手star）：https://github.com/futureflsl/deepstream-yolov3-pyth

2020-12-11 14:05:07 2084 2

原创 [深度学习][原创]deepstream docker安装和启动

拉取镜像：sudo docker pull nvcr.io/nvidia/deepstream:5.0.1-20.09-triton启动容器：sudo docker run -it -v ~/Downloads/:/tmp --shm-size=5g --name=deepstream5 -v /tmp/.X11-unix:/tmp/.X11-unix -e DISPLAY=unix$DISPLAY -e GDK_SCALE -e GDK_DPI_SCALE IMAGE_ID bash...

2020-12-08 15:51:31 1681 2

原创 [pytorch][原创]Tianxiaomo的pytorch-YOLOv4中的巨大坑

看到github和众多网站介绍Tianxiaomo的pytorch-YOLOv4，而且start超过2.4k，但是自己训练和测试怎么也检测不出来物体，尝试很久都没成功，偶然看到https://github.com/Tianxiaomo/pytorch-YOLOv4/issues/75，才知道这是作者埋下的巨坑，坑死了一批初学者。看下面的坑，一般人都不知道第一，demo.py测试yolov4.weights才有效果，你测试作者yolov4.pth什么也检测不出来！而且评估coco数据集必须得用yolov4

2020-12-07 17:11:48 2938 10

原创 [C#][转载]如何在Ubuntu 18.04上安装Mono Mono develop

如何在Ubuntu 18.04上安装MonoMono是一个基于ECMA / ISO标准开发和运行跨平台应用程序的平台。它是Microsoft .NET框架的免费开源实现。本教程介绍了如何在Ubuntu 18.04上安装Mono。先决条件这些说明假定您以root用户或具有sudo特权的用户身份登录。在Ubuntu上安装Mono在Ubuntu 18.04上安装Mono的最简单和建议的方法是从Mono的存储库中安装它。这是一个相对简单的过程，只需几分钟。首先安装必要的软件包：.

2020-12-04 08:16:08 658

基于yolov8+deepsort+gradio实现目标追踪演示源码

具体实现细节和效果参考博文：https://blog.csdn.net/FL1623863129/article/details/142438034

2024-09-22

DOTAv2.0遥感航拍目标检测数据集VOC+YOLO格式4840张16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)：4840 标注数量(xml文件个数)：4840 标注数量(txt文件个数)：4840 标注类别数：16 标注类别名称:["baseball-diamond","basketball-court","bridge","container-crane","ground-track-field","harbor","helicopter","large-vehicle","plane","roundabout","ship","small-vehicle","soccer-ball-field","storage-tank","swimming-pool","tennis-court"] 更多信息：https://blog.csdn.net/FL1623863129/article/details/142436137

2024-09-22

DOTAv1.0遥感航拍目标检测数据集VOC+YOLO格式1713张16类别.zip

数据集超过1GB放百度云盘去了，请下载后打开下载地址.xlsx获取下载地址重要说明：数据集图片要低于实际官方图片属于正常现象，因为官方数据集里面标注存在部分错误，我这边已经通过代码去掉错误标注，比如坐标位置超过图片实际宽高，坐标左上角和右下角坐标不符合实际等情况。此外dota数据集目标都是小目标，因此如果训练后map非常低属于正常现象，因为小目标很难训练而且很难检测，这个是业界公认难点。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)：1713 标注数量(xml文件个数)：1713 标注数量(txt文件个数)：1713 标注类别数：16 更多信息参考博文：https://blog.csdn.net/FL1623863129/article/details/142434305

2024-09-22

libomp140.x86-64.dll和vcomp140.dll

引入pytorch 报错 Error loading\\Lib\\site-packages\\torch\\lib\\fbgemm.dll\ or one of its dependences将这2个dll下载后放入C:\Windows\system32里面即可解决问题，如果提示文件存在则可能不是由于这个dll引起，如果有其中一个存在另一个dll没有的话放入另一个即可，如果2个dll都没有则都放进去，如果2个dll都有大概率不是由于缺少dll导致。请务必先到C:\Windows\system32是不是有这2个dll文件，如果都有则不是这个问题，可以确定该方法不能解决问题，如果缺少一个或者2个可以解决问题

2024-09-21

外部墙体损伤缺陷检测外墙损坏等级检测数据集VOC+YOLO格式4629张4类别.7z

重要说明：数据集里面大约有一般是4张增强数据集图片请仔细查看图片预览，确认符合要求在下载，介意有增强的勿下载样本图片参考博文：https://blog.csdn.net/FL1623863129/article/details/142420758 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)：4629 标注数量(xml文件个数)：4629 标注数量(txt文件个数)：4629 标注类别数：4 标注类别名称:["Heavy Damage","Minor Damage","Moderate Damage","Undamage"] 每个类别标注的框数： Heavy Damage 框数 = 2052 Minor Damage 框数 = 6475 Moderate Damage 框数 = 4094 Undamage 框数 = 742 总框数：13363 使用标注工具：labelImg

2024-09-21

水泥外墙缺陷检测数据集VOC+YOLO格式2947张4类别.7z

下载前请查看样本图片是否符合要求，由于属于可复制产品售出一概不退，请确认符合要求再下载，博文地址：https://blog.csdn.net/FL1623863129/article/details/142420526 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)：2947 标注数量(xml文件个数)：2947 标注数量(txt文件个数)：2947 标注类别数：4 标注类别名称:["crack","discoloration","exposed bricks","spalling"] 每个类别标注的框数： crack 框数 = 1149 discoloration 框数 = 1642 exposed bricks 框数 = 4927 spalling 框数 = 248 总框数：7966 使用标注工具：labelImg

2024-09-21

PCB电路板元件检测数据集VOC+YOLO格式3948张29类别.7z

重要说明：数据集有增强，请仔细查看图片预览确认符合要求在下载数据集格式：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)：3948 标注数量(xml文件个数)：3948 标注数量(txt文件个数)：3948 标注类别数：29 详细类别和样本图片数据参考博文：https://blog.csdn.net/FL1623863129/article/details/142415781

2024-09-21

基于yolov8+openpose人体骨骼关键点实现的摔倒姿态识别检测系统源码+所有模型+项目说明

【参考源码】 github.com/HRonaldo/Openpose_YOLO 本项目参考上面框架进行全面改进，改进如下：（1）将检测框架换成当前最流行框架yolov8，并封装成类实现模块化设计（2）调整部分文件夹结构，比如模型归为一类文件夹，这样方便查看模型（3）检测流程简化，使得人体骨骼关键点实现的摔倒姿态识别代码十分简单，实际只要40多行代码就实现整个检测流程运行步骤：安装好yolov8环境后执行python main_video.py 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142413295

2024-09-21

基于yolov5+openpose人体骨骼关键点实现的摔倒姿态识别检测系统源码+所有模型+项目说明

【参考源码】 github.com/HRonaldo/Openpose_YOLO 本项目参考上面框架进行全面改进，改进如下：（1）封装YOLOv5检测类，这样可以加强阅读便利性，模块设计方便嵌入其他框架，后面我会换成yolov8模型进行该项目移植（2）调整部分文件夹结构，比如模型归为一类文件夹，这样方便查看模型（3）检测流程简化，使得人体骨骼关键点实现的摔倒姿态识别代码十分简单，实际只要40多行代码就实现整个检测流程运行步骤：安装好yolov5环境后执行python main_video.py 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142411883

2024-09-21

vs2015从源码编译gdal3.3.2好的库文件x64-release版本

编译各个源码版本如下： curl-7.79.1.zip gdal-3.3.2.zip geos-3.9.1.tar.bz2 PROJ-8.1.1.zip sqlite-amalgamation-3360000.zip sqlite-dll-win64-x64-3360000.zip tiff-4.3.0.tar.gz 用于VS2015配置C++版本的GDAL，详细配置教程可参考博客https://blog.csdn.net/FL1623863129/article/details/142391731，注意博文是VS2019配置C++版本的GDAL流程，两者配置流程一模一样，参考博文即可

2024-09-20

vs2017从源码编译gdal3.3.2好的库文件x64-release版本

编译各个源码版本如下： curl-7.79.1.zip gdal-3.3.2.zip geos-3.9.1.tar.bz2 PROJ-8.1.1.zip sqlite-amalgamation-3360000.zip sqlite-dll-win64-x64-3360000.zip tiff-4.3.0.tar.gz 用于VS2017配置C++版本的GDAL，详细配置教程可参考博客https://blog.csdn.net/FL1623863129/article/details/142391731，注意博文是VS2019配置C++版本的GDAL流程，两者配置流程一模一样，参考博文即可

2024-09-20

vs2019从源码编译gdal3.5.3好的库文件x64-release版本

编译各个源码版本如下： curl-8.2.1.zip gdal-3.5.3.zip geos-3.12.1.tar.bz2 PROJ-9.2.1.zip sqlite-amalgamation-3360000.zip sqlite-dll-win64-x64-3360000.zip tiff-4.5.0.tar.gz 用于VS2019配置C++版本的GDAL，详细配置教程可参考博客https://blog.csdn.net/FL1623863129/article/details/142391731，注意这个博文是3.3.2版本但是配置流程是一样的，参考即可

2024-09-20

vs2019从源码编译gdal3.3.2好的库文件x64-release版本

编译各个源码版本如下： curl-7.79.1.zip gdal-3.3.2.zip geos-3.9.1.tar.bz2 PROJ-8.1.1.zip sqlite-amalgamation-3360000.zip sqlite-dll-win64-x64-3360000.zip tiff-4.3.0.tar.gz 用于VS2019配置C++版本的GDAL，详细配置教程可参考博客https://blog.csdn.net/FL1623863129/article/details/142391731

2024-09-20

基于C++opencv实现玉米粒计数源码.zip

测试环境： vs2019 opencv==4.8.0 运行步骤：打开sln解决方案，重新配置opencv release所需路径,选x64 release运行

2024-09-20

基于C# winform+openvsharp实现玉米粒计数演示源码.zip

【测试环境】 vs2019 netframework4.7.2 opencvsharp=4.8.0 运行步骤：打开sln解决方案，选择x64 debug即可运行更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142380558

2024-09-20

手机识别检测数据集VOC+YOLO格式9997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)：9997 标注数量(xml文件个数)：9997 标注数量(txt文件个数)：9997 标注类别数：1 标注类别名称:["phone"] 每个类别标注的框数： phone 框数 = 11700 总框数：11700 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样本图片及详细信息参考博文：https://blog.csdn.net/FL1623863129/article/details/142374302

2024-09-20

中草药类型识别检测数据集VOC+YOLO格式7976张45类别.7z

样本图片请参考博文：https://blog.csdn.net/FL1623863129/article/details/142373824 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)：7976 标注数量(xml文件个数)：7976 标注数量(txt文件个数)：7976 标注类别数：45

2024-09-20

蘑菇类型识别检测数据集VOC+YOLO格式8430张21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)：8430 标注数量(xml文件个数)：8430 标注数量(txt文件个数)：8430 标注类别数：21 样本图片和详细信息参考博文：https://blog.csdn.net/FL1623863129/article/details/142370471

2024-09-19

俯视场景航拍小目标三轮车遮阳伞三轮车检测数据集VOC+YOLO格式5756张3类别.7z

重要说明：此数据集为航拍小目标三轮车，数据集部分有增强，请查看图片预览确认符合要求再下载，注意小目标一般很难训练，即训练map和精度可能偏低属于正常现象，只要能检测到目标即可。样本图片请参考博文：https://blog.csdn.net/FL1623863129/article/details/142365294 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)：5756 标注数量(xml文件个数)：5756 标注数量(txt文件个数)：5756 标注类别数：2 标注类别名称:["awning-tricycle","tricycle"] 每个类别标注的框数： awning-tricycle 框数 = 8260 tricycle 框数 = 12017 总框数：20277

2024-09-19

基于yolov8的DMS驾驶员抽烟打电话喝水吃东西检测系统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】 Sleepy Cigarette Drinking Phone microsleep HandsOnWheel Eating HandsNotOnWheel Seatbelt 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142355532

2024-09-19

航拍路面直行和转弯标志检测数据集VOC+YOLO格式566张9类别.7z

重要说明：图片很难找，数据集有增强，请仔细查看图片预览确认符合要求在下载样本图片请参考博文：https://blog.csdn.net/FL1623863129/article/details/142359950 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)：566 标注数量(xml文件个数)：566 标注数量(txt文件个数)：566 标注类别数：9 标注类别名称:["left","left_back","left_right","right","straight","straight_back","straight_left","straight_left_right","straight_right"]

2024-09-19

基于yolov5的不同颜色安全帽检测系统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】 blue none red white yellow 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142358335

2024-09-19

不同颜色的安全帽检测数据集VOC+YOLO格式7574张5类别.7z

重要说明：数据集里面有2/3是增强数据集，请仔细查看图片预览，确认符合要求在下载，分辨率均为640x640 样本图片请参考博文：https://blog.csdn.net/FL1623863129/article/details/142357410 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)：7574 标注数量(xml文件个数)：7574 标注数量(txt文件个数)：7574 标注类别数：5 标注类别名称:["blue","red","white","without_helmet","yellow"] 每个类别标注的框数： blue 框数 = 6098 red 框数 = 10623 white 框数 = 8815 without_helmet 框数 = 10456 yellow 框数 = 9121 总框数：45113 使用标注工具：labelImg

2024-09-19

DMS驾驶员抽烟打电话喝水吃东西检测数据集VOC+YOLO格式5743张9类别.7z

重要说明：数据集存在增强图片，重复场景有点多，请仔细查看图片，确认符合要求在下载样本图片查看请参考博文：https://blog.csdn.net/FL1623863129/article/details/142355532 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)：5743 标注数量(xml文件个数)：5743 标注数量(txt文件个数)：5743 标注类别数：9 标注类别名称:[“Cigarette”,“Drinking”,“Eating”,“HandsNotOnWheel”,“HandsOnWheel”,“Phone”,“Seatbelt”,“Sleepy”,“microsleep”]

2024-09-19

水稻病害数据集YOLO+VOC格式3355张4类别.zip

重要说明：一共三种水稻病害，褐斑病、Hispa 和叶瘟病，图片里面均是单个叶子背景简单，请仔细查看图片预览确认符合要求再下载样本图片查看请参考博文：https://blog.csdn.net/FL1623863129/article/details/135105493 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)：3355 标注数量(xml文件个数)：3355 标注数量(txt文件个数)：3355 标注类别数：4 标注类别名称:["Hispa","Healthy","LeafBlast","BrownSpot"] 每个类别标注的框数： BrownSpot 框数 = 525 Healthy 框数 = 1489 Hispa 框数 = 565 LeafBlast 框数 = 779 总框数：3358 使用标注工具：labelImg

2024-09-19

基于yolov8的文本表格检测系统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】 figure list table text title 更多实现细节参考博文：https://blog.csdn.net/FL1623863129/article/details/142349553

2024-09-19

文本表格检测数据集VOC+YOLO格式6688张5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)：6688 标注数量(xml文件个数)：6688 标注数量(txt文件个数)：6688 标注类别数：5 标注类别名称:["figure","list","table","text","title"] 每个类别标注的框数： figure 框数 = 3388 list 框数 = 1671 table 框数 = 1855 text 框数 = 45018 title 框数 = 10497 总框数：62429 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样本预览参考博文：https://blog.csdn.net/FL1623863129/article/details/142349514

2024-09-19

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

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人