2017年09月_FL1623863129

12月 11月 10月 09月 08月 07月 06月 05月 03月 02月 01月

原创 C# using System.Windows.Media.Imaging;该引用哪个dll

在网上看到BitmapSource和WriteableBitmap一些类听说是用 using System.Windows.Media.Imaging；可是我发现VS中没有什么System.Windows.Media.Imaging之类的框架，这就苦逼了，在网上也找不到，无意间发现原来引用不叫System.Windows.Media.Imaging，而是PresentationCore

2017-09-30 16:52:23 9258 10

转载 C# 使用AForge调用笔记本摄像头拍照

本人转载博客http://www.cnblogs.com/lidedong/p/5564851.html，使用VS2013实现，有点改进的是释放了一下资源，具体看下面。连接摄像头设备，这里需要引入代码： using AForge;using AForge.Controls;using AForge.Imaging;using AForge

2017-09-30 15:32:49 3128 1

原创 win10 64SQLServer2008安装时报is not a valid login or you do not have permission的解决方法

win10 64安装SQLServer2008安装时报is not a valid login or you do not have permission的解决方法：网上有人说是Visual Studio里面有SQLServer需要先卸载Visual Studio，这种方法就不要尝试了，是不行的，根本就不是Visual Studio的问题，而且Visual Studio体积太大，卸载重装浪费时

2017-09-28 16:06:51 7958 1

原创 java BufferedImage简单图片写字一个小例子

package com.future.demo;import java.awt.Color;import java.awt.Font;import java.awt.Graphics2D;import java.awt.image.BufferedImage;import java.io.FileNotFoundException;import java.io.Fi

2017-09-23 16:23:56 3820

转载 C#利用OLEDB读取EXCEL问题

使用OLEDB可以对excel文件进行读取，我们只要把该excel文件作为数据源即可。一在D盘创建excel文件test.xls:　　二将工作表Sheet1的内容读取到DataSet　　string strConn = "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=D:/test.xls;"+ 　　 "Exten

2017-09-23 12:11:20 1127

转载 JAVA正则表达式：Pattern类与Matcher类详解(转)

JAVA正则表达式：Pattern类与Matcher类详解(转)java.util.regex是一个用正则表达式所订制的模式来对字符串进行匹配工作的类库包。它包括两个类：Pattern和Matcher Pattern 一个Pattern是一个正则表达式经编译后的表现模式。 Matcher 一个Matcher对象是一个状态机器，它依据Pattern对象做为匹配模式对字符串展开匹配检查。

2017-09-20 21:25:01 284

原创 pdf压缩方法总结pdf如何减少体积方法

现实生活中，我们碰到的pdf扫描版文件十分庞大，基本都在100M或者几百兆有没有方法可以减少体积而又不损失清晰度方法呢，方法还是有的，只不过需要自己总结探索，目前就笔者方法总结一下：第一种方法：使用虚拟打印机，重新设置DPI、图像质量等参数重新打印pdf文档：这种方法可行，不过就是太慢，而且参数也不好设置，最常用就是用pdffactory这个虚拟打印软件，缺点只能单个操作，效率低下，还要安装打

2017-09-15 17:36:06 3755

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

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

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人