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(18)
  • 收藏
  • 关注
全部文章> 2021年10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 [deepstream][原创]deepstream:5.1-21.02-triton的docker无法使用pytorch

deepstream:5.1-21.02-triton的docker安装pytorch后会提示libtorch_cuda_cpp.so: undefined symbol参照Unable to Import PyTorch - #4 by mchi - DeepStream SDK - NVIDIA Developer Forums解决方法it’s caused by PyTorch version incompatibilities.After installing torch, remov

2021-10-28 18:10:09 1653

原创 [环境配置][转载]ubuntu software 软件下载失败 unsupport proxy configured

亲测有效只需要在打开 设置(settings) - 网络(network) - 代理(proxy) 在然后是 手动模式(manual) 中的忽略主机项在127.0.0.1前面添加 http:// 即可

2021-10-28 10:37:13 818

原创 [C++][转载]std::map用法

STL是标准C++系统的一组模板类，使用STL模板类最大的好处就是在各种C++编译器上都通用。 在STL模板类中，用于线性数据存储管理的类主要有vector, list, map 等等。本文主要针对map对象，结合自己学习该对象的过程，讲解一下具体用法。本人初学，水平有限，讲解差错之处，请大家多多批评指正。 map对象所实现的功能跟MFC得CMap相似，但是根据一些文章的介绍和论述，MFC CMap在个方面都与STL map有一定的差距，例如不是C++标准，不支持赋值构造，对象化概念不清晰...

2021-10-28 09:49:57 557

原创 [cmake][转载]cmake中的link_directories, LINK_LIBRARIES, target_link_libraries的区别

参考文章：https://www.cnblogs.com/hackcode/p/6050159.html当我们在写CMakeLists.txt文件时，常常会搞不明白link_directories, LINK_LIBRARIES, target_link_libraries这3者的区别，下面就其详细介绍：INCLUDE_DIRECTORIES（添加头文件目录）它相当于g++选项中的-I参数的作用，也相当于环境变量中增加路径到CPLUS_INCLUDE_PATH变量的作用（这里特指c++。c和Jav

2021-10-27 21:00:59 1127

原创 [cmake][转载]add_definitions详解

编译某些项目源码的时候，有提示可以使用相关cmake设置，指令使用方式为cmake -DTHIRD_PARTY_MIRROR=aliyun ..其实这个函数在安装一些库的时候，它的CMakeLists里面就有这样的函数。典型的就是opencv了。opencv安装时候有一些指令也是针对这个函数的,比如安装命令(随便搜索的)：cmake ../opencv-3.4.1 -DWITH_GTK_2_X=ON -DCMAKE_INSTALL_PREFIX=/usr/local \-DCM..

2021-10-27 07:39:22 4017

原创 [cmake][转载]add_subdirectory详解

命令格式 add_subdirectory (source_dir [binary_dir] [EXCLUDE_FROM_ALL])添加一个子目录并构建该子目录。 命令解析 source_dir必选参数。该参数指定一个子目录，子目录下应该包含CMakeLists.txt文件和代码文件。子目录可以是相对路径也可以是绝对路径，如果是相对路径，则是相对当前目录的一个相对路径。 binary_dir可选参数。该参数指定一个目录，用于存放输出文件。可以是相对路径也可以是绝对路径，如果..

2021-10-26 11:24:34 1845

原创 [cmake][转载]add_library详解

add_library是写cmake必备的一个函数，但一直没仔细研究过，今天把它折解下。主要参考cmake官方文档normal libraryadd_library(<name> [STATIC | SHARED | MODULE] [EXCLUDE_FROM_ALL] [source1] [source2 ...])添加名为name的库，库的源文件可指定，也可用target_sources()后续指定。库的类型是STATIC(静态库)...

2021-10-26 11:01:28 4470 1

原创 [ubuntu][原创]Ubuntu系统下改变VSCode终端字体

打开vscode-文件-首选项-设置-打开设置json加入下面代码"terminal.integrated.fontFamily": "monospace",

2021-10-26 09:21:11 240

原创 [shell][转载]sed -i命令详解

[root@www ~]# sed [-nefr] [动作]选项与参数：-n ：使用安静(silent)模式。在一般 sed 的用法中，所有来自 STDIN 的数据一般都会被列出到终端上。但如果加上 -n 参数后，则只有经过sed 特殊处理的那一行(或者动作)才会被列出来。-e ：直接在命令列模式上进行 sed 的动作编辑；-f ：直接将 sed 的动作写在一个文件内， -f filename 则可以运行 filename 内的 sed 动作；-r ：sed 的动作支持的是延伸型正规表示法的语法。

2021-10-25 10:52:55 1050

原创 yolov5-6.0快速训练助手使用教程傻瓜式训练不需要写代码配置

yolov5-6.0发布后，这次更新为我们带来了n版本，模型大幅度减少，yolov5n仅仅3.77M，适合在嵌入式部署。为了跟上时代发展要求，yolov5-6.0快速训练助手更新出来。本此更新依旧面向懒人和初学者，使用非常简单。第一步：自己按照网上教程安装好yolov5环境第二步：打开软件，导入自己的图片和labelImg标注格式voc格式xml文件夹目录修改batch size占满自己的显卡加速训练第三步：点击开始转换，获取在训练命令获取到yolov5训练命令。第四步：激活自己yo

2021-10-23 14:56:15 2849 2

原创 [anaconda][原创]将anaconda环境配置到pycharm

本教程适合miniconda3和anaconda3，首先我们打开一个项目，然后File-SettingPython Interpreter-选择齿轮Show All选择加号选择Conda Environment-Existing environment-点击三个点选择python.exe点击OK，后面有OK点OK等待加载完毕，需要5分钟到20分钟不等。注意这个只是首次慢，后续打开项目就不需要这么缓慢加载了...

2021-10-17 09:02:13 419 1

原创 opencv级联分类器快速训练工具傻瓜式训练软件教程

opencv级联分类器训练一般需要理解参数含义和基本原理，然后还要写基本转换图片和标注化数据集，今天我为大家一个小工具，只需要导入图片就可以快读训练自己的模型，而且不需要写任何代码，傻瓜式操作，不用配置什么的，非常方便。首先我们打开软件第一步：选择自己正样本和负样本图片路径，我们完全不需要保证片尺寸是否一致，因为软件会自动归一化不需要手动写代码归一化尺寸。负样本不需要尺寸一致，你做的仅仅是导入路径！第二步：点击配置数据集按钮，看状态说明提示，等待数据集自动配置完毕第三步：修改界面一些想要改的

2021-10-15 19:51:20 2394 4

原创 [opencv][转载]利用级联分类器车辆检测训练

本文转载：Adaboost 卡口车辆检测训练 - Hello~again - 博客园之前做了SVM的车脸检测，主要是针对车脸，接下来尝试利用Adaboost和Haar进行车脸的检测。我利用的主要是opencv中的cascade，其已经把Adaboost相关的算法做成了exe，直接调用就可以了，不像SVM中我们可能需要再调用。如果需要对boost源码进行修改，可以利用Cmake将生成opencv的源代码，（Cmake真是个很方便的东西，之前做交叉编译用Automake来弄，差点累的半死）。首先我来介绍一

2021-10-15 18:04:27 1000

原创 [opencv][转载]opencv级联分类器参数含义介绍

介绍 OpenCV提供了两个程序可以训练自己的级联分类器： opencv_haartraining。 opencv_traincascade。（新版本的opencv中只存在该分类器） opencv_traincascade是一个新程序，使用OpenCV 2.x API 以C++编写。 这二者主要的区别是opencv_traincascade支持 Haar和 LBP (Local Binary Patterns)两种特征，并易于增加其他的特征。与Haar特征相比，

2021-10-13 21:28:49 878

原创 [技术杂谈][原创]一个可以搜索老版本显卡驱动的小工具

nvidia驱动下载都是最新十几个，如果需要很老的驱动咋办，本期就可以使用一个小工具完成老版本搜索下载任务。首先打开软件选择自己对应驱动，可以列出很多老版本驱动点击下载即可更多可以参考视频教程显卡驱动搜索下载工具使用教程_哔哩哔哩_bilibili...

2021-10-08 10:55:47 580

原创 [C#][转载]Sqlite操作大全

我的环境配置：windows 64，VS，SQLite（点击下载），System.Data.SQLite.DLL（点击下载）。一、新建项目，添加引用1.在VS中新建一个控制台应用程序，如下图2.添加引用将下载的System.Data.SQLite.DLL复制到新建项目的路径下在VS中找到项目，右键选择添加引用浏览到dll路径下，添加进来。代码中添加using System.Data.SQLite;添加类库CSQLiteHelper，用于...

2021-10-04 10:22:05 639

原创 [深度学习][原创]roLabelImg旋转角度含义和理解

roLabelImg旋转角度很有特点从实际操作来看，水平框表示0弧度。roLableImg角度表示不是我们所说的角度，而是弧度，类似于π/2,π/3这样。但是真和网上说的一样是逆时针吗，经过测试发现，可以用下面图表示如果我们绘制一个旋转框，蓝色箭头表示框当前处于0弧度。当我们顺时针旋转时候角度会从0变到π/2在到π变化，而当我们逆时针旋转也是从0变到π/2在到π变化。而且值的变化处于[0,π]之间，弧度值不会是负数。因此我们可以得出结论：(1)roLabelImg角度变化是在[0,π](..

2021-10-03 08:38:52 1944 2

原创 [C#][转载]如何删除目录中的所有文件和文件夹

使用C＃，如何从目录中删除所有文件和文件夹，但仍保留根目录？29个解决方案657 votesSystem.IO.DirectoryInfo di = new DirectoryInfo("YourPath");foreach (FileInfo file in di.GetFiles()){ file.Delete(); }foreach (DirectoryInfo dir in di.GetDirectories()){ dir.Delete(true); }

2021-10-02 20:47:26 3221

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

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

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