大大U-CSDN博客

原创脑电信号处理-EEG-运动想象集相关资料整理

脑电信号处理-EEG-运动想象集相关资料

2021-12-14 20:01:59 1092 6

原创脑电信号seed数据集资料整理

脑电信号seed数据集处理代码资料整理

2021-12-14 20:00:07 1105 4

原创整理了一下脑电的资料，（情绪识别，运动想象）

需要虽多，还是需要慢慢看。最好有代码有论文，一起对着理解着看。需要的可以私信我

2021-12-11 16:39:57 1216 4

spice电路语言写的电路模型后缀.cir文件不能在软件仿真中使用，需要转换。PSPICE软件需要把.CIR文件转换为.lib，.olb库文件，才能在软件中仿真使用。1、下载spice元件模型，cir后缀，放在一个文件夹ADI公司，TI公司官网元件一般都有模型，比如下载下来，ADA4177.cir，放到你自己的库文件夹里面，后面还有其它文件需要放在一起，最好新建一个文件夹。2、转换文件为olb文件，放在一个文件夹打开pspice model editor软件.

2021-12-09 21:25:21 8062 1

原创脑电信号EEG分类基础入门（1）机器学习编程环境搭建

脑电信号长什么样子？

2021-08-24 21:05:42 2143 3

原创 visio画箭头、画点线，各种连接头

我主要用来画电路，喜欢用这个库：https://download.csdn.net/download/fzf1996/15764084怎么画箭头呢？先拉一条直线，单击选择，下拉形状样式右边可以设置开头结尾

2021-06-25 16:39:15 46491

原创 matlab2020 安装MinGW-w64 C/C++编译器和 libsvm

MinGW-w64 C/C++编译器和 libsvm 安装包链接https://download.csdn.net/download/fzf1996/185094051、先安装MinGW-w64 C/C++编译器在线安装，需要似乎外网下载mingw.mlpkginstall将mingw.mlpkginstall直接拖入matlab命令窗跳出来的窗口不要×掉，稍等，点击安装，如下安装好之后，在命令行窗口输入：mex -setup，这是会出现如下图所示情况，..

2021-05-09 13:45:31 4615 6

原创初学git与github理解、使用、实验

版本控制软件版本管理在开发中，这是刚需，必须允许可以很容易对产品的版本进行任意回滚，版本控制工具实现这个功能的原理简单来讲，就是你每修改一次代码，它就帮你做一次快照。协作开发一个复杂点的软件，往往不是一个开发人员可以搞定的，公司为加快产品开发速度，会招聘一堆跟你一样的开发人员开发这个产品，拿微信来举例，现在假设3个人一起开发微信，A开发联系人功能，B开发发文字、图片、语音通讯功能，C开发视频通话功能， B和C的功能都是要基于通讯录的，你说简单，直接把A开发的代码copy过来，在它的基础.

2021-05-03 16:15:34 245

原创 OpenHarmony 内核 liteos_A和lite_M

OpenHarmony源码里面包含两个内核代码，分别是liteos_A和lite_M我的理解，liteos_A和liteos_M分别对应ARM架构的 A系列和M系列liteos_A对标linux内核，linux是分时操作系统liteos_M是对标freeFTOS、rt-thread、UCOS，这些都属于实时操作系统(RTOS),MCU(单片机上)，不支持MMU(内存管理单元)，内核空间和APP空间不能隔离开，APP出错后整个系统就会崩溃；也不支持POSIX接口，这使得大量的开源软件无.

2021-04-30 13:47:25 8352 2

原创基于CNN和LSTM的seed数据集情感识别

今天能跑起来了，但电脑不行，跑的太慢，和论文结论一样，91%论文提出了一种基于分段级脑电信号的情感分类方法，该方法能够综合脑电信号的频率、空间和时间信息。该方法在SEED和DEAP数据集上均取得了最先进的性能。首先，将脑电信号构建为四维特征结构，对脑电信号的频率、空间和时间线索进行清晰的组织。其次，我们引入了由CNN和LSTM深度融合的CRNN模型。CNN处理频率和空间信息，LSTM从CNN输出中提取时间相关性。通过比较四个竞争性研究，探讨了同时提取脑电频率、空间和时间信息的重要.

2021-04-20 20:17:26 3441 14

原创手把手教你2019ADS软件导入S2P文件测试

1、直接搜索S2P,添加2、添加S参数测试电路连接电路，设置频率范围添加S2P文件开始测试，与数据手册一致

2021-04-16 21:33:28 15856 2

原创导入激励数据到ADS，读取时域，频域

32MHZ,时间51.2E-9S读取到adsads取的时间太宽ads取的时间太窄时域仿真后，加频域

2021-04-15 11:26:19 2221 1

原创 ADS 读取外部信号

一般读取tim信号，时间序列，有固定格式，如下可以用excel编辑开头结尾 end保存成txt读取数据文件tim，生成ds文件

2021-04-13 20:03:27 2019 3

原创脑电基础学习基于deap

https://download.csdn.net/download/fzf1996/16635328有代码有报告有描述

2021-04-12 17:40:07 478

原创基于CNN的deap数据集深度学习

终于跑通了

2021-04-12 17:16:11 953 4

原创 optisystem自建matlab信号源仿真

optisystem外部数据必须按照一定格式，如下1、matlab生成信号，保存成txt，或者dat如何将两个矩阵合并tt%时间序列一行y%信号序列一行y1=[tt;y].';%合并转置n*2fid=fopen('signal.txt','wt'); %写入的文件，各函数后面有说明%fid=fopen('signal.dat','wt'); %写入的文件，各函数后面有说明[m,n]=size(y1);for i=1:1:m for j=1:1:n .

2021-04-11 16:38:27 2382

原创 zigbee K型热电偶传感器

多节点，纽扣电池供电，MAX6675+K型热电偶

2021-03-28 20:20:08 233

原创灵敏度，最小可探测量，NEP

灵敏度参考的资料：（英文的）https://download.csdn.net/download/fzf1996/16102357不同系统的灵敏度单位不一样，因为输入输出量不一样。灵敏度的定义，电场传感系统为例，灵敏度通常定义为系统能够探测到的最小电场。理论分析时将其定义为传感系统信噪比为1时，系统所能探测到的电场强度。也就是说，最小可探测量是对灵敏度的描述。这是电场传感系统，输入是场强，输出是电信号，电压，电流，功率。那定义，可以理解为，输出信号的信噪比为1时，输入信号的量，即灵敏度。.

2021-03-25 17:32:51 10120

原创 visio2019画电路图（论文）

visio安装包可以私信我visio电路元件库，下载链接如下https://download.csdn.net/download/fzf1996/15764084画出来很棒，效果如下里面包含，电路正规画法的东西，跳线，连接点等，部分原件如下几个技巧1、拉直线总是容易歪，拉不直选中线条，按住shift，它就不会歪了。2、英文字体一般用这个...

2021-03-13 14:24:01 17757 4

原创测量误差与准确度，测量不确定度

分对仪器和对测量结果随机误差和系统误差随机误差是不可预测的系统误差是恒定或者可预测的平时检定用准确度评定该仪器的性能。对测试的过程用不确定度来评定是否有效。准确度是针对仪器本身而言.不确定度是针对测量结果而言的.比如：一仪表的准确度等级为2.0级实际测量结果的不确定度是1.86符合2.0级比如：标准是0.5级的测量结果是0.4符合标准0.5级验证不确定度JJF1033旧标准讲了测量结果不确定度验证有三种方法，即传递法、多台套对比法、两台套对比..

2021-02-20 10:49:52 7170

原创初学DSP(4)-TMS320F280049C IQmath的使用与理解

lib路径：E:\ti\c2000\C2000Ware_3_03_00_00\libraries\math\IQmath\c28\lib总结就是：使用fpu加速和不使用fpu加速的，coff格式和eabi格式的索引加函数lib我使用eabi格式，fpu加速的。试一试例子新建工程添加工程需要基本文件添加lib和头文件，cmd开始设置折叠C文件设置属性检查路径可以删掉libc.a添加预定义，因为我...

2021-02-09 11:31:25 5281

原创初学DSP(3)-TMS320F280049C lib的使用

动态库（dynamic library）E:\ti\c2000\C2000Ware_3_03_00_00\libraries\dsp\FPU\c28\libE:\ti\c2000\C2000Ware_3_03_00_00\libraries\dsp\FPU\c28\include\fpu32参考文档E:\ti\c2000\C2000Ware_3_03_00_00\libraries\dsp\FPU\c28\docs

2021-02-08 17:19:38 4707

原创初学DSP(2)-TMS320F280049C代码探究

C2000软件包里面，TI提供了两套例程，其中寄存器编程的例程在C:\ti\c2000\C2000Ware_2_01_00_00\device_support\f28004x，库函数编程的例程在C:\ti\c2000\C2000Ware_2_01_00_00\driverlib\f28004x\examples。本次实验参考的例程是Led_ex1_blinky例程是针对ControlCARD开发的，如果想将其应用到LaunchPad上，自然需要更改引脚映射。具体的代码可以在devices.h中找到。

2021-02-08 00:29:23 6202

原创初学DSP(1)-TMS320F280049C入门

软件环境Code Composer Studio 10.1.1c2000_20.2.1.LTSC2000Ware_3_03_00_00硬件C2000 Piccolo MCU F280049C LaunchPad™ 开发套件建立工程相关博客链接https://blog.csdn.net/fanxianyan1993/article/details/89392792https://whyorwhnt.blog.csdn.net/article/details/104227550.

2021-02-06 18:24:12 8486

原创 BCI IV-2a 运动想象论文代码复现

论文：EEG-TCNet: An Accurate Temporal Convolutional Network for Embedded Motor-Imagery Brain–Machine Interfaces数据：The BCI Competition IV-2a dataset数据描述请到官网环境win10，pycham2020.2python版本：Python 3.7.9安装包：C:\Users\Administrator>pip listPackage ..

2021-01-14 14:34:38 4339 9

原创 deap数据集的情绪检测代码环境搭建与实现

deap数据数据集很大

2021-01-14 14:19:24 3826 20

原创 DEAP dataset数据集 SEED dataset数据集

DEAP 数据集data_preprocessed_python提取处理函数def save_all_labels_into_file(): x = pickle.load(open('D:\eng\data_preprocessed_python\s01.dat', 'rb'), encoding='latin1') # dict labels = x['labels'] valence_and_arousal = (labels[:, [0, 1]] - 5)

2020-12-31 14:40:47 9356 7

原创 CMOS带反馈反相器二阶系统分析

Complex Conjugate Pole Analysis for Bandwidth二阶系统理论公式如果有三阶多项式，会产生一对共轭复极点和一个实数极点阻尼因子和自然频率是实极点上式中如果γ很大，可以写作电路与等效电路传输函数（1）电阻反馈，电感为0（2）电感反馈带宽公式通过改变电感可以改变带宽...

2020-12-27 16:51:46 794

原创放大器的带宽与增益一二三阶S域分析

目录参考链接：零极点零极点举例：一元二次方程一阶零点极点中频增益二阶零极点主极点参考链接：零极点：https://wenku.baidu.com/view/19f1218602d8ce2f0066f5335a8102d276a261ad.html?fr=search-1-wk_sea_es-income1https://www.cnblogs.com/yangjun1219/p/5445085.html以频率为横轴，频率是自变量，输入多少输出就是多少，..

2020-12-24 20:19:00 4110

原创光电技术基础

电子(electron)光子(photon)光的波粒二象性研究对象是携带信息的光子和电子以光子和电子为信息载体，通过光电(或电光)相互转换，综合利用光子学和电子学的方法实现光电信息的产生、获取、变换、处理、传输、存储和控制等的系统技术。光源，探测，控制，传输，存储光电探测器将光信息量转换为电信息量的器件，如光电导型、光伏型和热伏型器件辐射能(Radiant En...

2020-12-24 20:14:56 5878

原创 CADENCE 快捷键与错误集合

https://www.bilibili.com/video/BV1s4411g7QV?p=5https://www.bilibili.com/video/BV1q54y197NK?from=search&seid=14019725815880056184https://blog.csdn.net/qq_40223983/article/details/96170311?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A

2020-12-24 20:11:03 5472

原创版图理解与规则

NMOS PMOS都是P衬底P衬底做PMOS，需要做N阱，就是N型硅上面打井填充P+CSMC 0.5UM

2020-12-15 11:08:51 2027

原创眼图的判断蒙特卡洛标准差

在无码间串扰和噪声的理想情况下，波形无失真，“眼”开启得最大。当有码间串扰时，波形失真，引起“眼”部分闭合。若再加上噪声的影响，则使眼图的线条变得模糊，“眼”开启得小了，因此，“眼”张开的大小表示了失真的程度。由此可知，眼图能直观地表明码间串扰和噪声的影响，可评价一个基带传输系统性能的优劣。另外也可以用此图形对接收滤波器的特性加以调整，以减小码间串扰和改善系统的传输性能。通常眼图可以用图7.6所示的图形来描述。1）眼图张开的宽度决定了接收波形可以不受串扰影响而抽样再生的时间间隔。显然，最...

2020-12-15 10:50:25 2766

原创 EMD 经验模态分解相关matlab、python代码

python实现这是经验模式分解(EMD)的另一种Python实现。该包包含许多EMD变体，并打算及时交付更多。from PyEMD import EMDimport numpy as nps = np.random.random(100)emd = EMD()IMFs = emd(s)https://github.com/laszukdawid/PyEMDmatlab实现代码1：function [imf,r] = emd(x)% Empiricial Mode

2020-12-11 09:48:16 3026

原创脑电EEG各种数据集整理

ADHD多动症听不同声音脑电数据手部运动还有癫痫等数据。

2020-12-10 21:24:48 3609 4

原创脑电EEG源码整理记录

1、数据：https://www.kaggle.com/birdy654/eeg-brainwave-dataset-feeling-emotions2、deap数据集3、上海交通大学 seed数据集

2020-12-09 20:14:28 1615 7

原创 MOSFET

漏极电流，忽略长度调制效应。ID=12μnCoxWL(VGS−VTH)2I_{D}=\frac{1}{2} \mu_{n} C_{o x} \frac{W}{L}\left(V_{G S}-V_{T H}\right)^{2}ID=21μnCoxLW(VGS−VTH)2VGS−VTHV_{GS}-V_{TH}VGS−VTH被称为驱动电压，整体看做X输入微弱电压信号，导致微弱电流变化，的比例称为跨导gm=ΔI/ΔVg_{m}=\Delta I/\Delta Vgm=ΔI/ΔV.

2020-08-03 16:44:03 980

原创 AD15-PCB库建立要点记录

贴片引脚小于焊盘，有上锡的部分。也不小太小，焊盘最小距离理想情况焊盘距离太大ctrl+end 回到原点（0,0）贴片的焊盘通常比元器件长1-1.5mm ctrl+q 切换单位测量距离 ctrl+M中心平均值更改单元格间距默认多层multi，贴片只需要顶层，top layer贴片绘制手工绘制和引导绘制向导封装取焊盘加长后的距离IPC封...

2020-07-14 20:14:24 922

原创 AD20-原理图库建立快捷键及要点记录

1、原理图库、封装库、集成库（器件原理图库，封装库的关联集合）1、器件标号2、检查封装封装库管理器可以对一个或多个器件进行封装，进行添加、删除、编辑等操作，同时可以通过Comment值筛选，局部或全局更改（或添加）同类型器件封装名对封装进行完编辑或添加等操作之后，执行右下角的“Accept Changes（Create ECO）”命令，对更新内容点击“Execute Changes”更新到原理图当中库路径的全局指定很多原...

2020-07-14 12:58:50 3071

原创 STM32C8T6 软件模拟SPI 实现NRF24L01

MCU：stm32f103c8t6通信模块：nrf24l01连线：CE->PA2,SCK->PA3,MISO->PA4,CSN->PA5,MOSI->PA6,IRQ->PA7模拟SPI，可以更改任意引脚。把源文件或者头文件，全选替换。遇到的问题，硬件连线。连接错误，发送接收不正常。debug 到错误点，检查错误点相应的硬件及软件。源文件：NRF24L01.c#include "NRF24L01.h"const u8 TX_AD...

2020-06-21 14:43:53 2828

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