大大U-CSDN博客

原创光电探测器性能指标测试

3）将可调光纤衰减器调至合适衰减值，通过频谱仪观察零差检测器的输出信号，可以看到带宽内信号幅度较为平坦，当频率增加超过零差检测器带宽后，信号频谱幅度下降，当下降3dB时，此时对应的频率值为零差检测器的-3dB 带宽。测试环境：可调谐激光器（CW LASER），强度调制器(AM)，信号发生器(AWG)，可调衰减器(VOA)，光纤法兰，光功率计，频谱仪(SA)，示波器。5）记录频谱分析仪设置的RBW，将散粒噪声和电噪声曲线对横轴积分，得到噪声的均方根值，画出噪声均方根与输入光功率之间的关系。

2024-05-07 17:31:57 3665

原创光电探测器指标分析

先来看一下一个光电探测器的数据手册。

2023-09-24 13:03:11 2486

原创光电探测器怎么选

光电探测器，也称为PD（photodetector）基本原理是，光信号进入光电探测器转换为电压信号，这个电压信号会很弱，微伏或者毫伏级别。所以PD分为带放大和不带放大带放大呢，是因为信号太弱，所以需要把电压信号放大。单位V/W，输出是电压，输入是光功率。小的600V/W，大的上万V/W，和带宽很大关系。国内我知道的，带放大的带宽应该做到5G以内吧，不带放大的带宽可以20G。下面是索雷博的探测器，最基础的光电二极管，也可以称为光电探测器（左下角），输出是电流信号，不能直接用。

2023-09-24 12:29:10 648

原创微波光子的参数：噪声系数测量

工程师可以测量一定频率范围内的噪声系数，分析仪可以显示系统增益和噪声系数，以帮助测量。从理论上讲，同一台射频设备的测量结果应该是相同的，但由于射频设备的局限性(可用性、精度、频率范围、本底噪声等)，我们必须仔细选择最佳的方法才能得到正确的结果。在这种情况下，我们需要测量-150dBm/hz的噪声功率密度，该密度低于大多数频谱分析仪的噪声层。在我们的例子中，系统增益非常高，因此大多数频谱分析仪可以准确地测量噪声系数。这里的理解，频谱分析仪的低噪需要非常的低，假设正常的是-120dBm/hz，增益是20dB，

2023-08-16 19:50:32 1174

原创三种MMIC放大器偏置电压顺序

11、损坏的部件可能会出现以下一些症状：通过调整栅极电压无法改变的高漏极电流，无漏极电流，低增益或无增益，在MMIC上直流阻塞部分的RF端口上的电压。13、损坏的部件可能会出现以下一些症状：通过调整栅极电压无法改变的高漏极电流，无漏极电流，低增益或无增益，在MMIC上直流阻塞部分的RF端口上的电压。1、有两种HBT放大器，自偏置和带电流控制的自偏置，下图是HBT自偏置放大器最简单的偏置。8、损坏的部件可能有以下一些症状:通过调整栅极电压无法改变的高漏极电流，无漏极电流，低增益或无增益。6、监测集电极电流。

2023-08-16 19:48:52 704

原创微波光子的参数：动态范围

微波光子链路中的非线性失真主要由电光调制器的非线性调制产生，这些非线性失真可以分为谐波失真和交调失真两类。图1.2（a）给出了光信号在调制器内被一个频率为10 GHz的射频（Radio Frequency，RF）信号调制后的光谱图，可以看到除了会产生RF信号调制的光边带，还会产生二次、三次以及更高次谐波边带。这些光边带在光电探测器拍频后，会还原出 RF 信号、二次谐波失真（Second Harmonic Distortion，SHD）以及更高次谐波失真，如图 1.2（b）所示。

2023-08-05 13:05:45 748 1

原创 Bias Tee理论到实践

Bias Tees是将直流电压施加到必须传递RF/微波信号的任何组件的必不可少的组件，最常见的是需要DC电源的RF放大器。对于窄带应用，bias tee设计和结构是简单的，只需要注意组件的自谐振频率。然而，对于宽带应用，bias tee设计和结构就不容易了，对于成功的高性能设计至关重要。在本文中，我们将研究窄带bias tee设计、组件自谐振频率以及它们如何影响设计，然后将这些思想扩展到宽带bias tee。

2023-08-04 23:28:46 3121

原创 C波段可调谐激光器控制软件系统

iTLA功能关闭调谐，跟踪音调和FM抖动电路。花了两周时间，利用下班时间，设计了一个ITLA可调谐激光器控制系统，从硬件到软件。下面这个图片整套硬件系统，软件硬件都自己设计，可以定制，做到单片机问题也不大。原因可能是，16dBm只是标准值，实际激光器就没达到，本身性质的原因，还可能光纤耦合损耗。3、激光器的输出波长控制，也可以是频率形式，而且步长也可以控制，从1 GHz到50 GHz（对于TTX1995系列激光器，TTX1994系列激光器）。1、模块信息的读取，包括生产日期，生产厂家，型号，序列号等等。

2023-07-16 22:59:15 906

原创 TTX1994-可调谐激光器控制系统

花了两周时间，利用下班时间，设计了一个ITLA可调谐激光器控制系统，从硬件到软件。下面这个图片整套硬件系统，软件硬件都自己设计，可以定制，做到单片机问题也不大。原因可能是，16dBm只是标准值，实际激光器就没达到，本身性质的原因，还可能光纤耦合损耗。3、激光器的输出波长控制，也可以是频率形式，而且步长也可以控制，从1 GHz到50 GHz（对于TTX1995系列激光器，TTX1994系列激光器）。1、模块信息的读取，包括生产日期，生产厂家，型号，序列号等等。4、输出功率可调，步长也可以调谐。

2023-07-16 22:56:11 401

原创 TL5000可调谐激光器控制软件系统

这是最大光功率输出，激光器标准值16dBm，但这只输出15.5dBm。原因可能是，16dBm只是标准值，实际激光器就没达到，本身性质的原因，还可能光纤耦合损耗。3、激光器的输出波长控制，也可以是频率形式，而且步长也可以控制，从1 GHz到50 GHz（对于TTX1995系列激光器）。画了两周时间，利用下班时间，设计了一个ITLA可调谐激光器控制系统，从硬件到软件。1、模块信息的读取，包括生产日期，生产厂家，型号，序列号等等。5、兼容其它的可调谐激光器，例如TL5000，已通过测试。2、激光器输入输出控制。

2023-07-15 15:34:39 636

原创 TTX1995可调谐激光器控制软件系统

这是最大光功率输出，激光器标准值16dBm，但这只输出15.5dBm。原因可能是，16dBm只是标准值，实际激光器就没达到，本身性质的原因，还可能光纤耦合损耗。3、激光器的输出波长控制，也可以是频率形式，而且步长也可以控制，从1 GHz到50 GHz（对于TTX1995系列激光器）。画了两周时间，利用下班时间，设计了一个ITLA可调谐激光器控制软件，从硬件到软件。1、模块信息的读取，包括生产日期，生产厂家，型号，序列号等等。5、兼容其它的可调谐激光器，例如TL5000，已通过测试。2、激光器输入输出控制。

2023-07-15 15:25:49 942 6

原创 Python-For-EEG基础代码讲解（1）

我要演示脑电图信号的基本分析。

2023-06-04 11:56:02 1458

原创复现成功！深度学习口罩目标检测！

深度学习是一种人工智能（AI）方法，用于教计算机以受人脑启发的方式处理数据。深度学习模型可以识别图片、文本、声音和其他数据中的复杂模式，从而生成准确的见解和预测。您可以使用深度学习方法自动执行通常需要人工智能完成的任务，例如描述图像或将声音文件转录为文本。算法使用的是YOLO V7和YOLO V8，算法很牛。PS：本资源为网盘资源，资源包内容会不定期更新。带数据集很好运行，主页有搭建环境过程。内容包括：源码和数据集，部分带文章。目的：用于口罩分类，可以作为学习参考。深度学习-目标分类-口罩。

2023-06-02 22:38:46 180

原创复现成功！深度学习无人机目标检测！

算法使用的是YOLO V7和YOLO V8，算法很牛。今天找到一份数据集和两份源码，成功复现代码！源码资料这里（网盘形式）

2023-05-30 22:29:55 451

原创一起运行脑电信号（EEG）源码（2）-deap dataset

该项目使用DEAP数据集，该数据集包含32个志愿者对40个音乐视频的情感评级、生理记录和面部视频。对于单个参与者，数据被细分为标签数组和eeg_data数组。对于标签，应用单独的预处理技术，将其维度降至（32.50）。3.通过两种神经网络架构进行前向传递和反向传递，并使用最终输出进行成本计算。1.提取10个参与者的EEG数据，然后将其转换为特征向用作训练数据。**算法：**valence-arousal模型。**数据集：**deap dataset。**准确率：**80%

2023-03-29 23:01:50 1457

原创一起运行脑电信号（EEG）源码-ANN

最近对脑计算机接口（BCI）的研究，可以解码大脑EEG信号，有助于有效的机器人控制，这导致了脑机器人接口（BRI）的出现。该项目专注于用户行动/认知想法的准确分类，成功解码脑电信号可以在BRI应用中提供更高的自由度控制。来自用户头皮的EEG信号通过非侵入式电极记录，并预先处理以产生无噪音的EEG信号。在这项工作中，人工神经网络（ANN）机器学习算法被用作分类器来学习脑电信号的特征，以实现有效的输出分类。这项工作对系统的准确性进行了性能分析，建议结合时间-频率分析和ANN算法分别进行脑电图特征提取和分类。

2023-03-29 22:43:13 781 5

原创锁相环（1）

现在，了解更多细节。它只是比较两个信号级别的参考输入信号和反馈信号，如果两个信号都是高电平1，则每个时间域，相位检测器输出为低电平0，如果仅一个信号高电平1，则相位检测器生成高电平1。因此，锁相环的进一步发展将是开发一种相位检测器，根据反馈信号相位与参考信号相位相比是超前还是滞后，给出不同的结果。在该图中，您可以看到鉴相器根据相位是超前的还是滞后的产生不同极性(不同的符号)的输出信号。顾名思义，如下图所示，PLL是一种具有反馈循环的电路，可将反馈信号的相/频率保持与参考输入信号的相/频率相同（锁定）。

2023-02-18 18:41:46 2839

原创 1dB压缩点和三阶交调点、相位差与延时

当输出功率与理想的线性情况偏离达到1dB时，放大器的增益也下降了1dB，此时的输入信号功率(或幅度)值称为1-dB增益压缩点(1-dB Gain Compression Point)输入两个基频双音信号，即使放大器工作在线性放大区，也会产生三阶交调现象，只要做出输入和输出关系曲线，找到三阶信号和基频信号的1dB压缩点即可，再延长斜率曲线，交点即三阶交调点。可以看到，随着输入功率的增大，输出功率增大得速度变慢，越来越偏离理想的曲线，增益逐步变低，这就是增益压缩效应。一个放大器，增益一定，输入多少放大多少倍。

2023-02-11 16:24:22 6579

原创低噪声与功放选型购买

低噪放，低噪声射频放大器。作用就是要求噪声系数很低，放大电压信号。一般放在系统第一级，因为噪声系数低，接收放大的信号有很好的的信噪比。如天线的接收，信号的第一级放大放大的级联系统中，第一级的噪声是最重要的。*区分噪声因子F（Noise Factor）和噪声系数NF（Noise Figure）想要有良好的信噪比，需要提高第一级的增益，降低第一级的噪声系数。

2023-02-11 14:27:45 1343

原创光电探测器怎么选

想要挑选光电探测器，首先应该理解探测器的重要的几个指标。实际看一个光电探测器吧输入输出接口三个部分，光纤输入，射频输出，电源供电数据手册捡几个难理解的说说，详细推导解释这里不赘述了，难理解的就是1、等效噪声功率（Noise Equivalent Power，NEP），代表光电探测器的噪声水平，越小越好。

2023-01-09 21:52:59 2834

原创光电探测器是什么

光电二极管的电流大小，根据光功率大小决定，然而光也分交流分量和直流分量，所以电流信号也是有直流，有交流，而大部分都是直流分量，交流分量只占了可能百分之几。光电二极管受到光照时候，输出的是微弱电流信号，不能直接被一般放大器，运放或者低噪放放大（电压信号放大器），想要被放大需要经过处理，由电流转换成电压信号，这种电路称为跨阻放大电路或者互阻放大电路，I-V变化电路。光电二极管就是光电二极管。经过电路处理也应该分为两种，一种是只做了电流到电压的转换，另一种除了做了转换，还帮电压信号也放大了，你可以直接使用了。

2023-01-08 23:27:56 1469

原创差分、差模，共模，单端（1）

就像拿万用表表笔测量输出端某点某时的电压，黑色表笔接地，也是基准，红色表笔点输出端，就能得出一个电压值。一根线在传输信号时候，肯定不能顺顺利利的远距离无损耗的传输吧，来个打雷闪电的，不能波动一下，这不就产生干扰了嘛。一个差分放大器，就是两个输入端，加号是同相输入，负号是反相输入，一个输出，别忘了还有一个地，这个很重要。也可以看出来，差分信号，是一对的，幅度相同，极性相反。用示波器也是一个原理，测量接地夹和表笔，一个接地一个测信号，只不过能把一个时间段的信号给你显示出来。懒得画图了，直接截图，简单写写。

2022-08-23 00:31:04 1991 1

原创宽带射频放大器OA4SMM4(1)

一款双输入高性能宽带43gb/s电吸收光调制器驱动放大器，抖动极低，振幅为4.5V，具有优异的增益和组延迟平坦度，匹配到45GHz。OA4SMM4具有增益和功率水平，非常适合驱动任一40G电吸收调制器。双驱动器匹配良好，可用于差分调制器或其他复杂的调制方案。OA4SMM4提供了一个小型模块化的封装，具有卓越的性能，用于实验室使用或转发器集成。专为电光测试设备和SONETOC-768/STM-256光调制器驱动应用而设计。它功耗低，驱动信号充足，附加抖动极低，上升/下降时间快，易于使用简单的偏置电压。...

2022-07-29 22:43:15 460

原创 6.30年终小结，学生时代结束

2022年过去了一半，我也已经毕业，即将正式入职。前几天家里老乡高考，问了我一下志愿。回想起我的大学生活，本科到研究生，最大的遗憾，应该两个，第一，没谈过一次恋爱，第二，有一个坏习惯没改掉，应该会毁了我的一生。这是一个很好的时代，相对于父辈他们，有得吃有的穿，有得书读，底层人也有机会向上。但这些机会的概率和环境是有很大关系的，在云南和在广东的概率完全不一样，也不知道什么造成这种局面，先不探讨这个。既然生在云南，就服从现实吧。虽然我的家里，算是寨子偏下层的那种，完全靠家族帮扶，自己也是运气好，稍微努力一点比旁

2022-06-30 21:58:27 568 3

原创 L波段可调激光源-ITLA-3100-L系列

一起看看用剩下的L波段可调激光源-ITLA-3100-L系列相关噪声：-145dB可调光功率范围：5-35mW2秒波长切换时间满足OIF-ITLA-MSA协议ITLA-3100 系列是紧凑型、可广泛调谐的激光器组件，针对线宽和输出功率进行了优化。它们具有高达 35mW 的发射功率。 NeoPhotonics 相移 DFB 激光芯片和独特的封装技术实现了窄线宽和频率稳定性。 ITLA 组件为 40 和 100 Gb/s 相干应用提供低噪声和窄线宽。ITLA 组件包括集成波长锁定器、行业标准电气和

2022-05-17 13:18:11 1127

原创 bias tee电路设计-电容电感值

分享bias tee电路设计适用于常用的射频放大芯片ERA系列，GALI系列更低频率的值欢迎一起讨论交流bias tee应用电路芯片为GALI3

2022-04-28 21:59:44 2623

原创【文字情感分类】基于CNN_Pytorch的文字情感分类【含dataset&paper】

CNN-pytorch神经网络的Twitter文字情感分类这个工程使用数据集：the Sentiment-140 Twitter dataset实现了一系列的实验，这些实验使用卷积神经网络(CNN)训练在预先训练的单词向量之上，用于句子级别的分类任务。我们证明了一个简单的CNN具有小的超参数调整和静态向量在多个基准上取得了很好的结果。通过微调学习特定于任务的向量可以进一步提高性能。另外，我们建议对体系结构进行简单的修改，以允许使用特定于任务的向量和静态向量。本文讨论的CNN模型改进了7个任务中的4个，包括

2022-03-30 12:36:30 1561

原创 deap dataset的不同分类模型的实现（4）-MNE基础概念学习

events，epochs，evoked的解释与实验代码

2022-03-27 17:56:27 2375

原创 deap dataset的不同分类模型的实现（3）-遍历文件

学习一下这个里面函数，文件和数据的操作。除了知道输入是什么，还要知道输出是什么，什么类型，能进行什么操作。class Dataset(torch.utils.data.Dataset): def __init__(self, path, stim): _, _, filenames = next(os.walk(path)) filenames = sorted(filenames) all_data = []

2022-03-26 19:40:17 2793

原创 deap dataset的不同分类模型的实现（2）-认识数据

在本系列教程中，我们将使用python mne + pyTorch进行基本的EEG分析。案例研究将在脑电情绪识别的基准数据集DEAP上进行。在第1部分中，我们将重点关注数据集。本教程假设:1、您已经对Python有了基本的了解2、你有一些scikit-learn的经验，也有一些机器学习的知识3、你有一些使用pyTorch的经验，也有一些关于深度学习的知识在这个数据集中，共有32个参与者，每个参与者观看40个1分钟的视频。因此s01.dat持有40批。总样品40*32=1280批。查看每个dat文

2022-03-20 10:46:56 3042

原创 deap dataset的不同分类模型的实现（1）

本教程是基于deap数据集的，涵盖了预测脑电信号的大多数传统机器学习算法和深度学习算法。因为有很多关于DEAP数据集的研究，但它们很难比较。因此，作为一个EEG研究者，几乎不可能知道我应该做出什么样的架构决策。这是由于这样的事实:一些文章要么没有提供代码库因此无法复制,或者没有明确指定使用的hyperparameters,或仅仅由于显而易见的事实,即使是两篇论文使用相同的模型不能直接比较,因为不同的硬件和使用的hyperparameters。我的目的是，我的硕士和博士学生可以使用它作为他们脑电研究的入门

2022-03-19 21:41:46 2899 2

原创半波电压的研究-马赫曾德尔型

文章主要解释半波电压VπV_{\pi}Vπ是什么？调制信号幅度为什么不能太大？为什么工作点要取π/2\pi/2π/2？都自带输出光功率的公式为Pout =β2Pin [1+cos⁡(πV(s)Vπ+πVbVπ+ϕ)]P_{\text {out }}=\frac{\beta}{2} P_{\text {in }}\left[1+\cos \left(\frac{\pi V(s)}{V_{\pi}}+\frac{\pi V_{\mathrm{b}}}{V_{\pi}}+\p

2022-03-18 16:39:26 6733 2

原创翻译-光模块通用协议-OIF-ITLA-MSA（1）

光模块通用协议2001年发布了OIF-TL-01.12008年6月发布OIF-ITLA-MSA-01.2将介绍了通信协议、电气接口、电源、光学规范和机械接口，用于在C波段或L波段的设备。三层通信结构应用层传输层物理层通信双方：主机，光模块通信接口：RS232协议主机TX-》RX光模块，假设主机需要发送请求到光模块，首先主机在应用层生成28bit的命令包（4个字节），开始编码，然后在传输层封装成32bit的的命令帧，最后物理层做四位的校验和，再生成40bit的帧传输。注意，每个字节被

2022-02-21 21:43:47 3091

原创 TL5000系列可调谐激光器

TL5000系列可调谐激光器

2022-02-20 23:11:17 1424

原创 mathtype免费截图识别公式和公式自定义编号

免费使用mathtype截图识别公式，公式自定义自动编号

2022-02-19 10:47:57 12865

原创研三工作选择有感

今天早上把一个研究所的工作拒绝了，选择了和老师一起继续做东西。虽说两边目前的待遇都差不多，但心中依然不甘，难免有点可惜，难受，无人诉说。研究所在昆明待遇算是一流了，但没给事业编，因为学校不是985,211。但是这个工作在外面看来是体面的，稳定的，不错的。而老师这边呢，待遇和研究所差不了多少，公司不是他的也不大，刚搬过来，也没人，总部在北京。选择这个的原因;1、最重要的是人，老师带了我两年多的老师，努力工作，比学生努力多了，待人真诚，再我看来。他也有想赚钱...

2022-01-07 16:21:48 4332 7

原创 SolidWorks 打开后显示无法获得下列许可SOLIDWORKS Standard。无法连接到服务器。（-15，10，10061）的解决办法

我用的是SolidWorks 2019,。安装文件和破解文件网上很多，羽兔网，软件管家公众号都能下载。安装破解后，可能会与到无法连接到服务器。（-15，10，10061），今天突发奇想，改了一个设置就没啥问题了。过程如下在破解文件中有一个文件夹，文件夹名字可能不同，我的是SolidWorks_Server，但是里面的文件如下，需要整个文件夹复制到C盘，我的路径是C:\SolidWorks_Server如果遇到无法连接到服务器。（-15，10，10061），就管理员身份运行1、把上面.

2021-12-28 21:44:16 37139 10

原创国内python镜像源推荐使用

国内python镜像源推荐使用

2021-12-15 20:16:27 1662

原创 python helium学习web自动化

from helium import *import timedriver=start_chrome('https://www.baidu.com')write('一拳超人')press(ENTER)time.sleep(2)click("图片")img=driver.find_element_by_name("pn8")click(img)click("下载")首先pip installhelium然后复制ChromeDriver下载链接ChromeDriver - We..

2021-12-15 16:28:00 1678

原创脑电信号处理-EEG-deap数据集相关资料整理

脑电信号处理-EEG-deap数据集相关资料整理

2021-12-14 20:40:04 1631 2

EEG-运动想象分类-CRNN+LSTM算法-BCI竞赛 IV

# EEG Signal Classification Using Convolutional Recurrent Neural Networks (CRNN) 本项目旨在对脑机交互(BCI)竞赛IV中获得的脑电图(EEG)数据进行分类。这些数据包括四种不同的运动想象任务的记录:左手、右手、双脚和舌头的运动。我们利用卷积循环神经网络(CRNN)架构，结合双向长短期记忆(LSTM)单元，将EEG数据分为这四个任务。脑电信号分类是脑机接口(BCI)中的一项关键任务，其应用范围从辅助技术到医学诊断。通过利用crnn，我们的目标是捕获EEG信号中的空间和时间依赖关系，以提高分类精度。

2024-05-21

EEG-癫痫分类-CNNL-LSTM以及机器学习SVM随机森林-混合数据集

这是一个关于癫痫发作分类的简短项目，使用深度学习算法，如CNN, LSTM, CNN+LSTM的集成学习和机器学习算法，如随机森林，决策树，ADA增强，KNN, SVM对EEG数据进行分类。为了更准确的分类，对数据集进行DWT特征提取。 In this there are two files: 1. Jeswin Main.ipynb 2. Jeswin Main2.ipynb The dataset a) EpilepticSeizureRecognition.csv is for - JeswinMain.ipynb The dataset b) chb01 files are for - JeswinMain2.ipynb Dataset (a) was taken from kaggle Dataset (b) was taken from CHB-MIT Scal EEG database, which are raw EEG data files In the chb01 dataset (01,02,13,14) are NON SEIZURE In the

2024-05-21

EEG-癫痫分类-LSTM-CNN方The Bonn dataset

本项目探讨深度学习与神经科学之间的关系，以开发EEG数据分析的分类模型。主要重点是诊断癫痫，这是一种以无法控制的癫痫发作为特征的神经系统疾病。除了对诊断癫痫至关重要外，脑电图数据还有助于解释各种大脑状况和状态。在癫痫发作期间可以看到的独特模式，如癫痫样放电，突出了脑电图记录对诊断的有用性。 The Bonn dataset由100个单渠道脑电图记录组成，光谱带宽为0.5 Hz至85 Hz。记录最近23.6秒，以173.61 Hz采样。从原始的128通道采集系统中将多通道脑电图记录提取为五组（A，B，C，D和E）。集合A和B分别闭上眼睛和张开的健康患者显示了表面脑电图记录。虽然集合E由癫痫发作期间颅内脑电图组成，但在癫痫患者内部和外部的无癫痫间隔内，C和D记录了颅内脑电图。每组由100个文本文件组成，其中包含单个EEG时间序列的4097个ASCII编码样本。将带通滤波应用于数据，截止频率设置为40 Hz和0.53 Hz。出乎意料的是，由于已删除了强烈的眼睛移动工件，因此该数据集已被删除。

2024-05-21

带扫描功能的可调谐激光器控制软件

带扫描功能的可调谐激光器控制软件，ITLA，可控制TL5000系统激光器，TTX1995系列激光器，TTX1994，TL5300，JDSU，古河等等。可读取厂家信息，出厂信息，生产日期等等可调谐功率，波长，波长，步进扫描时间等

2024-05-15

深度学习领域yolov5算法在小麦头目标检测（带数据集）-13、yolov5-pseudo-labeling

深度学习领域yolov5算法在小麦头目标检测（带数据集）--13、yolov5-pseudo-labeling 语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov5算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域yolov5算法在小麦头目标检测（带数据集）-12、yolov5-fake-or-real-single-mode

深度学习领域yolov5算法在小麦头目标检测（带数据集）--12、yolov5-fake-or-real-single-model-l-b-0-753 语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov5算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域yolov8算法在小麦头目标检测（带数据集）-11、wheat-detection-using-yolov8

深度学习领域yolov8算法在小麦头目标检测（带数据集）--11、wheat-detection-using-yolov8 语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov8算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域yolo-v5算法在小麦头目标检测（带数据集）-10、wheat-detection-using-yolo-v5

深度学习领域yolo-v5算法在小麦头目标检测（带数据集）--10、wheat-detection-using-yolo-v5-dl-techniques 语言：python 内容包括：源码、数据集、数据集描述目的：使用yolo-v5算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域faster-rcnn算法在小麦头目标检测（带数据集）-9、train-faster-rcnn-using-ker

深度学习领域faster-rcnn算法在小麦头目标检测（带数据集）--9、train-faster-rcnn-using-keras 语言：python 内容包括：源码、数据集、数据集描述目的：使用faster-rcnn算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域faster-rcnn算法在小麦头目标检测（带数据集）-7、pytorch-starter-fasterrcnn

深度学习领域faster-rcnn算法在小麦头目标检测（带数据集）--7、pytorch-starter-fasterrcnn-inference 语言：python 内容包括：源码、数据集、数据集描述目的：使用faster-rcnn算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域faster-rcnn算法在小麦头目标检测（带数据集）-6、object-detection-using-fast

深度学习领域faster-rcnn算法在小麦头目标检测（带数据集）--6、object-detection-using-faster-rcnn 语言：python 内容包括：源码、数据集、数据集描述目的：使用faster-rcnn算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域yolov8算法在小麦头目标检测（带数据集）-5、globalwheet-detection-yolov8

深度学习领域yolov8算法在小麦头目标检测（带数据集）--5、globalwheet-detection-yolov8 语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov8算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域retinanet算法在小麦头目标检测（带数据集）-4、global-wheat-detection-keras

深度学习领域retinanet算法在小麦头目标检测（带数据集）--4、global-wheat-detection-keras-retinanet-eda 语言：python 内容包括：源码、数据集、数据集描述目的：使用retinanet算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域faster-rcnn算法在小麦头目标检测（带数据集）-3、fasterrcnn-pseudo-labeling

深度学习领域faster-rcnn算法在小麦头目标检测（带数据集）--3、fasterrcnn-pseudo-labeling 语言：python 内容包括：源码、数据集、数据集描述目的：使用faster-rcnn算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域detr算法在小麦头目标检测（带数据集）-2、end-to-end-object-detection-with-t

深度学习领域detr算法在小麦头目标检测（带数据集）--2、end-to-end-object-detection-with-transformers-detr 语言：python 内容包括：源码、数据集、数据集描述目的：使用detr算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域retinanet算法在小麦头目标检测（带数据集）-1、detection-using-keras-retinan

深度学习领域retinanet算法在小麦头目标检测（带数据集）--1、detection-using-keras-retinanet-train 语言：python 内容包括：源码、数据集、数据集描述目的：使用retinanet算法在小麦头中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：数据是小麦场的图像，每个已识别的小麦头都有边界框。并非所有图像都包括小麦头 /边界框。这些图像记录在世界各地的许多地方。 CSV数据很简单 - 图像ID与给定图像的文件名匹配，并且包括图像的宽度和高度以及一个边界框（见下文）。每个边界框中都有一排。CSV。并非所有图像都有边界框。大多数测试集图像都是隐藏的。一小部分测试图像已包含在书写代码中。我预测什么？您正在尝试预测包含图像的每个小麦头周围的边界框。如果没有小麦头，则必须预测无界框。

2023-06-18

深度学习领域yolox算法在深海海星目标检测（带数据集）-11、yolo-x-training-using-icevision

深度学习领域yolox算法在深海海星目标检测（带数据集）--11、yolo-x-training-using-icevision 语言：python 内容包括：源码、数据集、数据集描述目的：使用yolox算法在深海海星中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域yolox-inference算法在深海海星目标检测（带数据集）-10、yolox-inference-track

深度学习领域yolox-inference算法在深海海星目标检测（带数据集）--10、yolox-inference-tracking-on-cots-lb-0-539 语言：python 内容包括：源码、数据集、数据集描述目的：使用yolox算法在深海海星中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域yolov5算法在深海海星目标检测（带数据集）-8、yolov5-yolox-ensemble-with-trac

深度学习领域yolov5算法在深海海星目标检测（带数据集）--8、yolov5-yolox-ensemble-with-tracking 数据集太大，可联系我下载。语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov5算法在深海海星中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域yolov5算法在深海海星目标检测（带数据集）-yolov5-is-all-you-need

深度学习领域yolov5算法在深海海星目标检测（带数据集）--yolov5-is-all-you-need 数据集太大，可联系我下载。语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov5算法在深海海星中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域yolov5算法在深海海星目标检测（带数据集）-yolov5-high-resolution-training

深度学习领域yolov5算法在深海海星目标检测（带数据集）--yolov5-high-resolution-training 数据集太大，可联系我下载。语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov5算法在深海海星中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域yolov5算法在深海海星目标检测（带数据集）-5、great-barrier-reef-yolov5-train

深度学习领域yolov5算法在深海海星目标检测（带数据集）--5、great-barrier-reef-yolov5-train 数据集太大，可联系我下载。语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov5算法在深海海星中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域yolox-yolov5算法在深海海星目标检测（带数据集）-4、gbr-yolox-yolov5-ensemble

深度学习领域yolox-yolov5算法在深海海星目标检测（带数据集）--4、gbr-yolox-yolov5-ensemble-2-o 数据集太大，可联系我下载。语言：python 内容包括：源码、数据集、数据集描述目的：使用yolox-yolov5算法在深海海星中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域gan算法在深海海星目标检测（带数据集）-3、gan-training-make-unlimited-cots

深度学习领域gan算法在深海海星目标检测（带数据集）--3、gan-training-make-unlimited-cots 数据集太大，可联系我下载。语言：python 内容包括：源码、数据集、数据集描述目的：使用gan算法在产品缺陷中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域retinanet算法在深海海星目标检测（带数据集）-detection-using-keras-retinane

深度学习领域retinanet算法在深海海星目标检测（带数据集）--detection-using-keras-retinanet-train 数据集太大，可联系我下载。语言：python 内容包括：源码、数据集、数据集描述目的：使用retinanet算法在产品缺陷中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域yolov5算法在深海海星目标检测（带数据集）-barrier-reef-yolov5-training

深度学习领域yolov5算法在深海海星目标检测（带数据集）--barrier-reef-yolov5-training 语言：python 内容包括：源码、数据集、数据集描述目的：使用yolov5算法在产品缺陷中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，您将通过在大屏障礁周围的不同时间和位置拍摄的一系列水下图像来预测thorns海星的存在和位置。预测以一个边界盒的形式以及每个已确定的海星的置信度得分。图像可能包含零或更多海星。该竞赛使用一个隐藏的测试集，该测试集将由API提供，以确保您以每个视频中记录的顺序评估图像。评分您提交的笔记本时，将在笔记本电脑上可用的实际测试数据（包括示例提交）。

2023-06-18

深度学习领域yolov7算法在产品缺陷目标检测（带数据集）-detection-of-product-defects-usin

深度学习领域yolov7算法在产品缺陷目标检测（带数据集）--detection-of-product-defects-using-yolov7 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolov7算法在产品缺陷中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下： About Dataset Product defects are costly for businesses and can lead to financial and consumer health issues. The current dataset contains 168 image files with a total of 1859 jar lids, on average 11 per image. Categories include intact (962) versus damaged jar lids (897). Type of damages are lid deformations, holes and scratches.

2023-06-17

深度学习领域2.5d-cnn橄榄球比赛NFL目标检测（带数据集）-training-nfl-2.5d-cnn-lb-0-671

深度学习领域2.5d-cnn橄榄球比赛NFL目标检测（带数据集）--training-nfl-2.5d-cnn-lb-0-671-with-tta 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用2.5d-cnn算法在橄榄球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，你的任务是预测球员之间的接触时刻，以及球员使用比赛录像和跟踪数据进行非足部接触地面的时刻。每个剧本有四个相关的视频。两个视频，显示一个边线和端区视图，是时间同步和对齐彼此。此外，还提供了All29视图，但不能保证时间同步。训练集视频在train_labels.csv中有相应的标签，而你必须预测的视频在test/文件夹中。今年，我们还为训练和测试集提供了基线头盔检测和分配盒。csv是去年获胜球员分配模型的输出。train_player_tracking.csv在提供的比赛中为每个球员提供10hz的跟踪数据。csv包含与每个边线和Endzone视图相关联的时间戳，用于与球员跟踪数据同步。这是一场代码竞赛。当您提交时，您的模型将在位于hol

2023-06-17

深度学习领域yolov8橄榄球比赛NFL目标检测（带数据集）-nfl-yolov8-player-position-dete

深度学习领域yolov8橄榄球比赛NFL目标检测（带数据集）--nfl-yolov8-player-position-detection 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolov8算法在橄榄球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，你的任务是预测球员之间的接触时刻，以及球员使用比赛录像和跟踪数据进行非足部接触地面的时刻。每个剧本有四个相关的视频。两个视频，显示一个边线和端区视图，是时间同步和对齐彼此。此外，还提供了All29视图，但不能保证时间同步。训练集视频在train_labels.csv中有相应的标签，而你必须预测的视频在test/文件夹中。今年，我们还为训练和测试集提供了基线头盔检测和分配盒。csv是去年获胜球员分配模型的输出。train_player_tracking.csv在提供的比赛中为每个球员提供10hz的跟踪数据。csv包含与每个边线和Endzone视图相关联的时间戳，用于与球员跟踪数据同步。这是一场代码竞赛。当您提交时，您的模型将在位于holdout测

2023-06-17

深度学习领域yolov8橄榄球比赛NFL目标检测（带数据集）-nfl-yolov8-object-detection-and

深度学习领域yolov8橄榄球比赛NFL目标检测（带数据集）--nfl-yolov8-object-detection-and-segmentation 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolov8算法在橄榄球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，你的任务是预测球员之间的接触时刻，以及球员使用比赛录像和跟踪数据进行非足部接触地面的时刻。每个剧本有四个相关的视频。两个视频，显示一个边线和端区视图，是时间同步和对齐彼此。此外，还提供了All29视图，但不能保证时间同步。训练集视频在train_labels.csv中有相应的标签，而你必须预测的视频在test/文件夹中。今年，我们还为训练和测试集提供了基线头盔检测和分配盒。csv是去年获胜球员分配模型的输出。train_player_tracking.csv在提供的比赛中为每个球员提供10hz的跟踪数据。csv包含与每个边线和Endzone视图相关联的时间戳，用于与球员跟踪数据同步。这是一场代码竞赛。当您提交时，您的模型将在位于ho

2023-06-17

深度学习领域cnn-tta橄榄球比赛NFL目标检测（带数据集）-nfl-using-cnn-tta-player

深度学习领域cnn-tta橄榄球比赛NFL目标检测（带数据集）--nfl-using-cnn-tta-player-contact-detection 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用cnn-tta算法在橄榄球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，你的任务是预测球员之间的接触时刻，以及球员使用比赛录像和跟踪数据进行非足部接触地面的时刻。每个剧本有四个相关的视频。两个视频，显示一个边线和端区视图，是时间同步和对齐彼此。此外，还提供了All29视图，但不能保证时间同步。训练集视频在train_labels.csv中有相应的标签，而你必须预测的视频在test/文件夹中。今年，我们还为训练和测试集提供了基线头盔检测和分配盒。csv是去年获胜球员分配模型的输出。train_player_tracking.csv在提供的比赛中为每个球员提供10hz的跟踪数据。csv包含与每个边线和Endzone视图相关联的时间戳，用于与球员跟踪数据同步。这是一场代码竞赛。当您提交时，您的模型将在位于ho

2023-06-17

深度学习领域yolov7橄榄球比赛NFL目标检测（带数据集）-nfl-players-instance-segmentatio

深度学习领域yolov7橄榄球比赛NFL目标检测（带数据集）--nfl-players-instance-segmentation-yolov7 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolov7算法在橄榄球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，你的任务是预测球员之间的接触时刻，以及球员使用比赛录像和跟踪数据进行非足部接触地面的时刻。每个剧本有四个相关的视频。两个视频，显示一个边线和端区视图，是时间同步和对齐彼此。此外，还提供了All29视图，但不能保证时间同步。训练集视频在train_labels.csv中有相应的标签，而你必须预测的视频在test/文件夹中。今年，我们还为训练和测试集提供了基线头盔检测和分配盒。csv是去年获胜球员分配模型的输出。train_player_tracking.csv在提供的比赛中为每个球员提供10hz的跟踪数据。csv包含与每个边线和Endzone视图相关联的时间戳，用于与球员跟踪数据同步。这是一场代码竞赛。当您提交时，您的模型将在位于holdou

2023-06-17

深度学习领域xgb橄榄球比赛NFL目标检测（带数据集）-nfl-player-contact-detection-simple

深度学习领域xgb橄榄球比赛NFL目标检测（带数据集）--nfl-player-contact-detection-simple-xgb-baseline 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用xgb算法在橄榄球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，你的任务是预测球员之间的接触时刻，以及球员使用比赛录像和跟踪数据进行非足部接触地面的时刻。每个剧本有四个相关的视频。两个视频，显示一个边线和端区视图，是时间同步和对齐彼此。此外，还提供了All29视图，但不能保证时间同步。训练集视频在train_labels.csv中有相应的标签，而你必须预测的视频在test/文件夹中。今年，我们还为训练和测试集提供了基线头盔检测和分配盒。csv是去年获胜球员分配模型的输出。train_player_tracking.csv在提供的比赛中为每个球员提供10hz的跟踪数据。csv包含与每个边线和Endzone视图相关联的时间戳，用于与球员跟踪数据同步。这是一场代码竞赛。当您提交时，您的模型将在位于hold

2023-06-17

深度学习领域yolov8橄榄球比赛NFL目标检测（带数据集）-nfl-multipose-estimation-using-y

深度学习领域yolov8橄榄球比赛NFL目标检测（带数据集）--nfl-multipose-estimation-using-yolov8-mediapipe 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolov8算法在橄榄球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，你的任务是预测球员之间的接触时刻，以及球员使用比赛录像和跟踪数据进行非足部接触地面的时刻。每个剧本有四个相关的视频。两个视频，显示一个边线和端区视图，是时间同步和对齐彼此。此外，还提供了All29视图，但不能保证时间同步。训练集视频在train_labels.csv中有相应的标签，而你必须预测的视频在test/文件夹中。今年，我们还为训练和测试集提供了基线头盔检测和分配盒。csv是去年获胜球员分配模型的输出。train_player_tracking.csv在提供的比赛中为每个球员提供10hz的跟踪数据。csv包含与每个边线和Endzone视图相关联的时间戳，用于与球员跟踪数据同步。这是一场代码竞赛。当您提交时，您的模型将在位

2023-06-17

深度学习领域CNN橄榄球比赛NFL目标检测（带数据集）-nfl-2.5d-cnn-baseline-inference

语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用CNN算法在橄榄球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在这场比赛中，你的任务是预测球员之间的接触时刻，以及球员使用比赛录像和跟踪数据进行非足部接触地面的时刻。每个剧本有四个相关的视频。两个视频，显示一个边线和端区视图，是时间同步和对齐彼此。此外，还提供了All29视图，但不能保证时间同步。训练集视频在train_labels.csv中有相应的标签，而你必须预测的视频在test/文件夹中。今年，我们还为训练和测试集提供了基线头盔检测和分配盒。csv是去年获胜球员分配模型的输出。train_player_tracking.csv在提供的比赛中为每个球员提供10hz的跟踪数据。csv包含与每个边线和Endzone视图相关联的时间戳，用于与球员跟踪数据同步。这是一场代码竞赛。当您提交时，您的模型将在位于holdout测试集中的一组61个未见过的

2023-06-17

深度学习领域CNN橄榄球比赛NFL目标检测（带数据集）-cnn-baseline-more-tta-trick

2023-06-17

深度学习领域YOLOV7人和车目标检测（带数据集）-Training Yolov7 on Custom Dataset

深度学习领域YOLOV7用户目标检测（带数据集）--Training Yolov7 on Custom Dataset 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolo算法在特定数据集中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：在给定数据集上展示自定义对象检测，以使用新推出的YOLOv7 tiny训练和推断模型。该任务的目标是训练一个模型，该模型可以尽可能准确地定位和分类Person和Car的每个实例。

2023-06-17

深度学习领域YOLOV7足球比赛视频目标检测（带数据集）-yolov7-explanation-and-implementa

深度学习领域YOLOV7足球比赛视频目标检测（带数据集）--yolov7-explanation-and-implementation-from-scratch 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolo算法在足球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：比赛数据集包括分为两半的九场足球比赛的录像。你面临的挑战是在这些视频中检测三种玩家事件，包括发生的时间和类型。有关每种事件类型的完整描述，请参阅“事件描述”页。这是一场代码竞赛，将分两个阶段进行。在训练阶段，您的提交只会与公开排行榜的测试数据进行比对。然而，私人排行榜的测试数据将包括训练期结束后的游戏，即预测阶段。

2023-06-17

深度学习领域YOLOV5足球比赛视频目标检测（带数据集）-bundesliga-yolov5-specialized-for

深度学习领域YOLOV5足球比赛视频目标检测（带数据集）--bundesliga-yolov5-specialized-for-ball-detection 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolo算法在足球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：比赛数据集包括分为两半的九场足球比赛的录像。你面临的挑战是在这些视频中检测三种玩家事件，包括发生的时间和类型。有关每种事件类型的完整描述，请参阅“事件描述”页。这是一场代码竞赛，将分两个阶段进行。在训练阶段，您的提交只会与公开排行榜的测试数据进行比对。然而，私人排行榜的测试数据将包括训练期结束后的游戏，即预测阶段。

2023-06-17

深度学习领域YOLOV8足球比赛视频目标检测（带数据集）-3、bundesliga-pretrained-yolov8-bal

深度学习领域YOLOV8足球比赛视频目标检测（带数据集）--3、bundesliga-pretrained-yolov8-ball-detection 语言：python 内容包括：源码、数据集、数据集描述、论文目的：使用yolo算法在足球比赛中目标检测。带数据集很好运行，主页有搭建环境过程。主页有更多源码。数据集描述如下：比赛数据集包括分为两半的九场足球比赛的录像。你面临的挑战是在这些视频中检测三种玩家事件，包括发生的时间和类型。有关每种事件类型的完整描述，请参阅“事件描述”页。这是一场代码竞赛，将分两个阶段进行。在训练阶段，您的提交只会与公开排行榜的测试数据进行比对。然而，私人排行榜的测试数据将包括训练期结束后的游戏，即预测阶段。

2023-06-17

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人