2021年06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 [原创]如何将labelme标注的json文件批量导入easyDL方法

众所周知，百度出了一个easyDL深度学习平台极大降低了深度学习入门门槛，即使不懂深度学习算法也可以快速训练出自己的模型应用到实际当中，但是一般我们标注文件都是labelme作为图像分割，如下可以看出平台通用json格式不是我们常见的格式，我们一般都是coco的json，所以我们想要快速批量导入只能将labelme转换为coco格式，但是一般easyDL可不会写代码或者跑代码将labelme转换为coco格式，为此一个软件工具可以完成这个任务，而且傻瓜式操作。我们打开软件将自己标注的labe

2021-06-26 18:18:42 856 1

原创 [ros][原创]ubuntu各个版本上安装ros

ubuntu14.04安装步骤sudo sh -c '. /etc/lsb-release && echo "deb http://mirrors.ustc.edu.cn/ros/ubuntu/ $DISTRIB_CODENAME main" > /etc/apt/sources.list.d/ros-latest.list'sudo apt-key adv --keyserver 'hkp://keyserver.ubuntu.com:80' --recv-key C1CF6E3

2021-06-23 07:13:52 231

原创 [python][原创]按照指定list元素索引排序

a = [['apple', '3'], ['peach', '2'], ['pear', '1']]b = sorted(a, key=lambda x: x[1])print(b)

2021-06-22 13:25:01 1163

原创 [原创]labelme标注json文件转coco的json格式软件教程

如上图

2021-06-18 10:31:20 541 3

原创 [深度学习][转载]pytorch yolov3 yolov5训练技巧

How to avoid fasle detection?Commentsfutureflslcommented22 hours ago when I use more then 10w dataset for trainning,and label quite well,but I trained and found that some objects could be as detection object.so How to avoid fasle detection with...

2021-06-17 17:57:57 275

原创 [深度学习][转载]Msnhnet一款优秀轻量的用于推理pytorch模型的框架

本人亲测十分好用，适合在windows部署，众所周知在windows上用C++部署深度学习一般比较困难，尤其这个框架还支持C#，十分了得。Msnhnet(V2.0 偏向于于机器人视觉发展)????English| 中文 |CSDN一款轻量的用于推理pytorch模型的框架,该框架受darknet启发.Ps:目前本框架在持续开发中，由于是业余时间开发，更新速度不会很快。也欢迎有志之士一块维护本框架. 欢迎三连.目前测试过的操作系统(你可以自己测试下mac os) wind...

2021-06-14 22:25:55 26099 5

原创 [ubuntu][转载]pcl安装依赖

sudo apt-get update sudo apt-get install git build-essential linux-libc-devsudo apt-get install cmake cmake-guisudo apt-get install libusb-1.0-0-dev libusb-dev libudev-devsudo apt-get install mpi-default-dev openmpi-bin openmpi-commonsudo apt-ge.

2021-06-13 21:37:43 157

原创 [原创]图像随机粘贴工具-voc少量数据集扩展增强工具使用教程

首先我们打开软件参数介绍：图像路径：就是我们要粘贴的图片合集，越多越好，要求最好不要包含太多粘贴对象的图片png路径：一般是photoshop抠出来的对象，由于png包含透明色信息，软件充分利用这个特点将对象很好融合图片中，这样可以为对象周边丰富特征信息保存路:生成的图片，会自动在保存目录下面创建JPEGImages和Annotatiosn文件夹,其中会自动生成labelImg可以读取的xml格式标注文件类别名：就是对象名字要求必须是英文或者数字组合且不能为空文件名前缀：可.

2021-06-06 07:46:14 401

原创 [深度学习][原创]一个可以将yolo txt格式转成coco json傻瓜式操作教程

为了解决yolo txt格式转成coco json困难，专门开发一个小工具转换非常方便，首先我们打开软件1、导入自己的图片目录和自己的txt标签目录，注意类别文件可以为空不用管，如果你确认有几个类别可以导入自己的类别支持txt,names后缀格式。格式要求统一是.jpg或者.png或者.bmp格式，对于.jpeg或者大写后缀名软件都不支持哦。2、选择自己保存目录，由于部分电脑C盘有权限，建议保存在非C盘目录即可。3、然后点击开始转换即可完成转换啦。获取软件可以关注未来自主研究中心微.

2021-06-04 08:04:24 1113 1

原创 [Jetson][转载]jetson上安装pytorch+torchvision教程

1. Jetpack默认已安装opencv、cuda、cudnn，故只需再安装pytorch即可，留意jetson是arm架构，需要下载对应的安装文件加以安装 2. pytorch的安装查询Jetpack的版本sudo -H pip3 install jetson-statsjetson_release pytorch的whl文件下载（注意与Jetpack的版本相匹配）网址链接：https://forums.developer.nvidia.com/t/pytorch-for-jetso

2021-06-02 11:00:52 950

原创 [深度学习]pytorch yolov3 result.txt里面数字含义

U版本pytorch yolov3训练有个result.txt生成0/249 6.54G 0.1022 0.07783 0 0.18 94 416 0.3194 0.4642 0.4425 0.196 0.07072 0.08181 01/249 6.42G 0.08005 0.08079 0 0.1608 107 416 0.4219 0.4845 0.4875 0.2291 0.06681 0.08055 02/249 6.42G 0.07737 0.0803 0 0.1577 60 416

2021-06-01 18:05:05 1588

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

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人