stsdddd-CSDN博客

原创 YOLO系列目标检测数据集大全

YOLO系列目标检测数据集大全目标检测数据集无人机检测数据集飞鸟检测数据集人脸和口罩检测数据集安全帽检测数据集火焰检测数据集火焰和烟雾检测数据集行人检测数据集行人车辆检测数据集车辆检测数据集待更新……目标检测数据集无人机检测数据集数据集下载：飞鸟检测数据集人脸和口罩检测数据集安全帽检测数据集火焰检测数据集火焰和烟雾检测数据集行人检测数据集行人车辆检测数据集车辆检测数据集待更新…….....................

2022-04-17 16:30:17 114966 58

原创 ONNX模型

ONNX（Open Neural Network Exchange）是一个用于表示深度学习模型的开放标准，它允许模型在不同的深度学习框架之间转换。在ONNX的结构中，每个节点（NodeProto）都执行一个操作，并且可以有零个或多个输入和输出。节点之间的连接定义了数据如何在整个模型中流动。通过这种方式，ONNX模型能够表示复杂的深度学习算法和网络结构。为了更好地理解ONNX模型的结构，可以使用Netron这样的可视化工具来查看ONNX模型的结构图。

2024-04-29 21:54:13 586

原创【Transformer原理解析】

Transformer是一种基于自注意力机制（Self-Attention Mechanism）的深度学习模型，它在自然语言处理（NLP）领域取得了显著的成就，特别是在机器翻译任务中。以下是Transformer原理的简要介绍以及使用PyTorch实现的代码示例。

2024-04-28 21:33:14 383

原创【深度可分离卷积】

计算次数 = (C_{\text{in}} \times C_{\text{out}} \times k \times k \times H_{\text{out}} \times W_{\text{out}})逐点卷积计算次数 = (C_{\text{in}} \times C_{\text{out}} \times H_{\text{out}} \times W_{\text{out}})逐点卷积参数数量 = (C_{\text{in}} \times C_{\text{out}})

2024-04-28 21:21:02 980

原创【yolov8&yolov5驾驶员抽烟-打电话-喝水-吃东西检测&疲劳驾驶检测&分心驾驶检测】

YOLOv8和YOLOv5是深度学习中用于目标检测的先进算法，它们在实时性和准确性方面表现出色，适用于各种视频监控和图像处理应用，包括驾驶员行为监测。这些算法通过单次前向传播即可预测图像中的目标位置和类别，使得它们非常适合于实时检测任务，如监测驾驶员是否在抽烟、打电话、喝水或吃东西等分心行为。例如，通过分析人脸和手部的位置关系、嘴部区域是否有烟雾特征等，可以判断驾驶员是否在抽烟或打电话。此外，模型可以被训练以识别手持物品（如手机、水瓶或食物）的动作，从而检测驾驶员是否在执行这些可能分散注意力的行为。

2024-04-27 22:18:37 1305

原创【yolov8算法道路-墙面裂缝检测-汽车车身凹陷-抓痕-损伤检测】

在道路和墙面裂缝检测方面，YOLOv8可以被训练来识别道路中的裂缝区域。尽管提供的搜索结果中没有直接提到YOLOv8用于汽车车身损伤检测的案例，但考虑到YOLOv8在目标检测和分割方面的性能，它有潜力被调整和优化以适应这类应用场景。YOLOv8算法是一种先进的目标检测技术，它基于YOLO系列算法的改进版本，具有高精度和高速度的特点。YOLOv8在目标检测任务上进行了优化，引入了新的功能和改进，包括一个新的骨干网络、Anchor-Free检测头和新的损失函数，使其在多种硬件平台上都能运行。

2024-04-27 22:13:20 1214 1

原创【yolo算法道路井盖检测】

YOLOv8算法能够有效地应用于道路井盖的检测，帮助城市管理部门及时发现并维护井盖，确保道路安全。

2024-04-25 21:12:05 922

原创【yolov5&yolov7&yolov8火焰和烟雾检测】

1、YOLOv3训练好的火焰烟雾检测模型，包括yolov3-fire_smoke.pt和yolov3_tiny-fire_smoke.pt两个训练好的模型，并包含几百张标注好的火焰和烟雾数据集，标签格式为xml和txt两种，类别名为fire和smoke，YOLOv5训练好的火焰检测模型，并包含2000张标注好的火焰和烟雾数据集，标签格式为xml和txt两种，类别名为fire，2、采用pytrch框架，代码是python的。采用pytrch框架，代码是python的。YOLOv5训练好的模型+pyqt界面。

2024-04-22 22:11:39 1466 1

原创【图像分类优化策略】

随着深度学习技术的发展，基于深度学习的图像分类方法在性能上远远超过了传统的机器学习方法，成为了当前图像分类领域的主流方法。图像分类是计算机视觉领域中的一个重要任务，旨在将图像分为不同的类别或标签。常见的图像分类方法包括传统的机器学习方法和基于深度学习的方法。通过调整损失函数中各类别的权重来应对类别不平衡是一种常见的方法。在训练时，模型会根据这些权重来计算损失，使其更关注少数类别，从而减少将背景误分类为正例的情况。来定义每个类别的权重，然后在定义损失函数时，将这些权重传递给。

2024-04-10 21:48:18 691

原创【yolo算法水果新鲜程度检测】

Yolo（You Only Look Once）系列算法是一类流行的一阶段实时目标检测模型，在水果检测领域有着广泛的应用。因其高效性和实时性而受到青睐，可用于识别和定位图像中不同种类的水果以及水果的新鲜度。已被用于水果商品的检测分类。通过训练带有标记水果数据集的YOLOv3模型，它可以检测出图像中的苹果以及其他类型的水果，并且根据不同的项目需求，还可以区分是否损坏。和都是对YOLO系列算法的进一步迭代和优化。

2024-03-24 16:21:26 1314

原创【 yolo红外微小无人机-直升机-飞机-飞鸟目标检测】

nc: 1数据集和模型可视化class: [‘Airplane’, ‘Bird’, ‘Drone’, ‘Helicopter’]可视化+nc: 1。

2024-03-23 10:07:16 1362

原创【目标检测-复制粘贴数据增强】

在目标检测、分类和分割任务中，复制粘贴数据增强（Copy-Paste Data Augmentation）是一种创新的数据增广技术，它通过将训练集中的一部分物体实例复制并粘贴到其他图像的合理位置上，以生成新的训练样本。这种方法能够增加模型对不同场景下物体多样性的识别能力，并且尤其有助于提升小样本类别和边界框定位的准确性。以下是一个简化的示例，展示如何在PyTorch环境下用自定义方式实现该方法。实例分割框架是基于Mask R-CNN，使用。

2024-03-21 22:10:59 914

原创【Linux&Windows 10系统中设置定时关机】

对于更复杂的定时任务，如每天固定时间关机，可以使用Cron定时任务服务。根据向导步骤，设置任务名称（例如：“定时关机”）、描述，然后设置触发器（比如每天的特定时间或一次性执行）；保存并退出编辑器后，cron守护进程会根据设定的时间自动执行关机命令。打开“控制面板”，搜索并打开“计划任务”或者“任务计划程序”；在操作步骤中选择“启动程序”，并在“程序或脚本”字段中输入。参数，则直接在指定时间执行关机，无需转换为秒数）；在Linux系统中，要设置定时关机，可以使用。在任务计划程序库中，选择“创建基本任务”；

2024-03-15 22:49:00 1844

原创【自动驾驶中的BEV算法】

在自动驾驶领域中，Bird’s Eye View (BEV) 算法是一种将来自不同传感器（如摄像头、激光雷达、毫米波雷达等）的数据转换为车辆正上方俯瞰视角下的统一表示的方法。这种转换使得车辆能够获得一个直观且具有空间一致性的环境感知视图，便于进行3D目标检测、追踪、地图构建和路径规划等任务。实现原理：常用的算法：代码示例：以下是一个简化的示例，说明如何在PyTorch中定义一个简单的BEV映射函数（假设已经获得了深度图）：BEVFormer算法BEVFormer（Bird’s Eye View Tran

2024-03-13 19:28:19 1366 1

原创【RepVGG网络】

RepVGG网络是2021年由清华大学、旷视科技与香港科技大学等机构的研究者提出的一种深度学习模型结构，其核心特点是通过“结构重参数化”（re-parameterization）技术，在训练阶段采用复杂的多分支结构以优化网络的训练过程，而在推理阶段则将这些分支融合成单一的卷积层，从而实现高效的前向推断。在PyTorch中实现RepVGG时，通常会定义一个RepVGGBlock类，该类在构造函数中设置训练模式下的各个卷积层，并且包含一个。方法，用于在模型部署或进行推理时将训练时的多分支结构融合为单个卷积层。

2024-03-12 22:50:48 620

原创【pytorch可视化工具】

评价指标通常根据任务类型有所不同，例如分类任务中的精度、召回率、F1分数等，回归任务中的均方误差（MSE）、平均绝对误差（MAE）等。可以将这些指标也记录到TensorBoard中，就像记录损失那样。在PyTorch中，模型训练的可视化通常通过TensorBoard或Visdom等工具实现。这是一个Web-based实时数据可视化工具，可以与PyTorch一起使用来监控训练过程。

2024-03-09 18:14:02 561

原创【pytorch模型加载和保存】

return x。

2024-03-09 18:05:32 321

原创【深度学习相关的线性代数知识点】

向量是一个一维数组，可以表示方向和大小。

2024-03-08 22:39:37 1408

原创【目标分类图像增强方法】

目标分类图像增强是一种用于提高深度学习模型泛化能力的技术，通过在训练过程中对原始图像进行各种变换来增加模型所见数据的多样性。原理：将一张图像的一部分替换为另一张图像的相应部分，并更新标签，促进类别间的边界学习。：线性插值两张图像和它们的标签，生成新的训练样本，旨在创建两个类别间的中间过渡样本。原理：水平或垂直翻转图像，模拟镜像效果，提高模型对左右对称性的识别能力。原理：随机擦除图像的部分区域，训练模型关注缺失信息时也能正确分类。原理：随机旋转图像，增加模型对目标物体不同角度的识别能力。

2024-03-07 23:00:24 1402

原创【目标分类&检测测试指标】

AP 是对每种类别的 Precision-Recall 曲线下面积的平均值，它综合了精确率（Precision）和召回率（Recall）两个指标来评估模型性能。在不同的数据集和竞赛中，比如 PASCAL VOC 和 COCO 数据集，会根据特定的 IoU 阈值（如 IoU@0.5 或者在一定范围内的平均，如 0.5:0.95）来计算 AP 和 mAP。准确率是分类问题中最直观的评估指标，它计算的是模型正确预测样本数占总样本数的比例。精确率是在所有被模型预测为某个类别的样本中，真正属于这个类别的样本比例。

2024-03-07 22:49:13 777

原创【机器学习核心知识点】

机器学习（Machine Learning）是一种计算机科学技术，它允许系统通过数据学习和改进其性能，而无需显式编程。下面将详细说明几个核心知识点、原理，并提供Python代码示例以帮助理解。确实，在实际应用中，机器学习过程包含了一系列更细致和复杂的工作步骤。特征工程是指通过创造、转换或选择有意义的特征来优化模型性能的过程。：确保不同特征在相似尺度上，以便模型能正确解读。：例如从日期特征中提取星期几、月份等信息。：识别并处理超出正常范围的极端值。：填充或删除含有缺失值的数据。

2024-03-05 21:50:13 1659 2

原创【MMYOLO训练数据集】

MMYOLO是OpenMMLab实验室开发的一个基于YOLO系列的目标检测框架的实现，它整合了MMCV和MMEngine等工具库以支持更方便的模型训练、评估以及部署。环境安装安装Python和必要的依赖包。安装mim使用mimmim install mmcv>=指定版本,=指定版本,

2024-03-05 21:39:47 1155

原创【 Docker 容器详细介绍和说明】

Docker 容器详细介绍和说明步骤1：配置Docker环境步骤2：配置PyCharm步骤3：测试连接docker 容器常用命令Docker容器是什么？Docker容器是一种轻量级、可移植的软件打包和运行环境，它允许开发者将应用及其依赖以独立的单元进行分发和部署。每个容器都运行在一个隔离的环境中，具有自己的文件系统、网络空间和资源限制。

2024-03-04 20:10:57 1048

原创【图像分割算法】

模拟地形分水岭过程，将图像视为地形，最低点标记为已知类别，然后通过扩展边界来达到分割不同区域的目的。适用于重叠且连通性复杂的物体分割。：基于像素强度设置一个阈值，将图像的每个像素点根据其灰度值与阈值比较，将其划分为前景或背景。：从复杂背景下分离特定颜色的物体，如交通标志检测、水果采摘机器人视觉系统等。：通过颜色模型（如HSV、Lab等）对特定颜色范围内的区域进行分割。：生物组织切片分析、粒子群分割等需要精确分割多个互相接触物体的场景。：医学图像分割、遥感图像分析等，在清晰边界附近的区域相似性高的情况。

2024-03-04 10:08:23 569

原创【python 常见错误】

语法错误是程序在编译阶段就可检测出的错误，通常是因为代码违反了Python语言的语法规则。

2024-03-03 16:30:51 996

原创【C++基础知识详细记录】

c++

2024-03-02 10:15:02 989

原创【PyTorch知识点汇总】

创建张量：使用torch.tensor()、torch.Tensor()或特定创建函数如torch.zeros(), torch.ones(), torch.randn()等创建不同类型的张量。使用torch.nn.DataParallel或torch.nn.parallel.DistributedDataParallel进行多GPU训练。使用torch.save()和torch.load()保存和加载模型参数或整个模型。动态计算图、混合精度训练、量化压缩、可视化工具。

2024-02-29 20:23:03 1221

原创【PyTorch模型转换和部署】

在PyTorch中，模型转换和部署是一个从训练到实际应用的关键环节，通常涉及将训练好的模型导出成更通用的格式，以便在不同的环境（如C++、移动端、云端服务等）下运行。对于NVIDIA GPU加速，可以将PyTorch模型转换为TensorRT，以实现高性能推理。运行ONNX模型可能会遇到一些常见问题。使用ONNX Runtime可以在C++环境中加载并执行ONNX模型。需要先将模型转换为ONNX，然后使用TensorRT工具进行优化。首先导出模型参数，并在移动平台上加载模型进行推理。

2024-02-29 20:22:42 1415

原创【pytorch矩阵应用】

当你想要将PyTorch模型导出为ONNX（Open Neural Network Exchange）格式时，矩阵乘法等模型中的操作也会被包含在导出的模型中。导出的ONNX模型包含了模型的结构和权重，以及进行前向传播所需的所有操作，包括矩阵乘法。矩阵乘法在PyTorch中是非常常见的操作，特别是在进行深度学习模型训练和推断时。总之，矩阵乘法在PyTorch中是非常常见的操作，并且有多种方法可以实现。这个函数不仅可以处理2D矩阵，还可以处理更高维度的张量，只要它们的维度是兼容的。的随机张量，代表模型的输入。

2024-02-29 19:56:42 1012

原创【YOLO系列算法人员摔倒检测】

YOLOv1：作为YOLO系列的首个版本，它的核心思想是使用单个神经网络同时预测物体的类别和位置。这种方法在当时是一个重大突破，因为它将目标检测任务的速度大幅提升，但牺牲了一定的精度。YOLOv2：在YOLOv1的基础上进行了改进，提出了YOLOv2（也称为YOLO9000）。这个版本通过引入批归一化、更高分辨率的输入图像、细粒度特征等方法，显著提高了召回率和定位精度。YOLOv3：继续在速度和精度上进行优化，引入了多尺度预测、更复杂的网络结构等。

2024-02-24 20:27:47 1586

原创【K-means聚类】

定义：聚类是一种无监督的机器学习方法，它的主要目的是将数据集中的对象（或点）按照它们之间的相似性分组或聚类。这些聚类（或称为簇）中的对象在某种度量下是相似的，而不同聚类中的对象是不同的。需要注意的是，K-means聚类方法对于初始簇中心的选择很敏感，不同的初始选择可能导致不同的聚类结果。K-means聚类是基于距离的聚类方法，其主要目标是使每个数据点到其所属簇的中心的距离之和最小。确定：基于距离的聚类，目标是使每个数据点到其所属簇的中心的距离之和最小。在给定的数据集中，选择K个初始点作为簇的中心。

2024-02-21 19:51:43 446 1

原创【头部姿态估计欧拉角分析可视化】

基于回归和特征聚合的方法则提供了另一种思路，通过精细化的结构映射来提高估计的精度。头部姿态估计网络模型通常用于识别和估计人头部的姿态，这在许多领域如人机交互、安防监控等都有广泛的应用。头部姿态估计角度分析通常包括三个主要角度：俯仰角（pitch）、偏航角（yaw）和滚动角（roll）。俯仰角（pitch）：描述头部在垂直平面上的旋转，即上下翻转的角度。偏航角（yaw）：描述头部在水平面上的旋转，即左右转头的角度。滚动角（roll）：描述头部在前后方向上的旋转，即摇头的角度。

2024-02-19 19:16:06 795

原创【YOLO系列算法俯视视角下舰船目标检测】

为了提高模型的泛化能力，我们还可以采用数据增强技术，如旋转、缩放、翻转等，来扩充训练数据集。如果模型的性能不满足要求，我们可以尝试调整模型的参数或者使用更复杂的模型结构来进行优化。例如，在卫星遥感图像分析系统中，我们可以使用训练好的YOLOv6模型来实时检测舰船目标，并将检测结果用于后续的任务，如舰船跟踪、类型识别等。总的来说，如果需要较快的检测速度，尤其是在资源受限的环境下，可以考虑使用YOLOv5或YOLOv8的某些版本。对于更高的检测精度，尤其是对小目标的检测，YOLOv8可能是更好的选择。

2024-01-28 11:24:23 1465 1

原创【yolov5驾驶员和摩托车佩戴头盔的检测】

它采用了一种称为“one-stage”的检测方法，这种方法的优势在于速度较快，因为它直接在图像上预测物体的位置和类别，而不需要像“two-stage”方法那样先进行候选区域选取。对于驾驶员检测，Yolov5算法可以通过训练来识别图像中的驾驶员，并输出驾驶员的位置和姿态信息。Yolov5是一种先进的深度学习算法，用于目标检测任务，包括驾驶员和摩托车佩戴头盔的检测。总的来说，Yolov5通过结合多种先进技术和结构，实现了高精度、高速度的目标检测能力，对于驾驶员和摩托车佩戴头盔的检测具有很好的应用价值。

2023-12-27 22:28:13 1314

原创【yolov5&yolov8人行道-斑马线目标检测】

对于人行道-斑马线的检测，YOLOv5模型会根据输入的图片，在图像特征的预测过程中，对边界框和类别进行预测。在具体操作中，输入图片会经过Backbone网络进行特征提取，然后通过Neck网络将图像特征传递到预测层，最后通过Head网络对图像特征进行预测，生成边界框和并预测类别。在目标检测领域，YOLOv5通过结合多种技术手段，包括使用Mosaic数据增强操作、自适应锚框计算与自适应图片缩放方法、利用Neck网络提升特征的多样性及鲁棒性等，使得其检测效果和速度都有所提升。

2023-11-26 17:17:04 1242

原创【yolo格式标签可视化】

【代码】【yolo格式标签可视化】

2023-06-27 22:57:37 632 1

原创【目标检测—玩手机检测数据集】

玩手机打电话目标检测数据集，近一万多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO玩手机行为的识别，数据场景丰富，类别名为phone，可用于YOLOv3、yolov4、yolov5、yolov6、yolovv7、yolov8、SSD、fasterRCNN、deepsort等算法。数据集文件目录（txt和xml两种格式标签，可以根据实际算法选择使用）

2023-06-23 18:44:29 2423 1

原创【 python面向对象——类】

静态方法就相当于一个普通函数，静态方法只能调用类变量，不能调用实例变量和实例方法。

2022-10-08 16:03:02 325 1

原创【Python练习笔记二】

round()函数虽然和python版本有关，但round(2.675, 2) 的结果，不论我们从python2还是3来看，结果都应该是2.68的，结果它偏偏是2.67，为什么？round()如果只有一个数作为参数，不指定位数的时候：返回的是一个整数，而且是最靠近的整数，相当于四舍五入。当指定取舍的小数点位数的时候：一般情况也是使用四舍五入的规则，但是碰到小数.5的这样情况，如果要取舍的位数前的小数是奇数，则直接舍弃，如果偶数这向上取舍。指定的位数，按此位数进行四舍五入。获取ascll码的函数ord()..

2022-08-28 09:31:42 379

原创【Python练习笔记一】

Python练习笔记

2022-08-13 18:02:33 330

YOLO算法DMS驾驶员分心驾驶检测数据集+7000数据集

7000多张YOLO驾驶员分心驾驶检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 3 names: ['drinking', 'looking_away', 'safe_driving']

2024-08-20

YOLOv10汽车轮胎检测，包含训练好的汽车轮胎识别权重+数据集

1、YOLOv10汽车轮胎检测，包含训练好的汽车轮胎识别权重，以及PR曲线，loss曲线等等，在汽车轮胎检测据集中训练得到的权重，类别名为tire，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

2024-08-16

yolov10无人机俯视视角下热红外行人小目标检测权重+数据集

yolov10无人机俯视视角下热红外行人小目标检测权重，包含5000多千张YOLO算法无人机俯视视角下热红外行人小目标数据集，数据集目录已经配置好，yolo格式的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： nc: 1 names: ['person']

2024-08-16

YOLOv10水下目标检测权重，含有数据集

1、YOLOv10水下目标检测权重，含有数据集，7000多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO系列的水下海产品目标检测；数据场景丰富；类别为starfish、holothurian、echinus、scallop、waterweeds 5个水产品类别目标 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

2024-08-15

9000多张图像天气分类数据集，分为阴天和晴天两个类别，分别保存在两个文件夹中

9000多张天气图像分类数据集，分为阴天和晴天两个类别，分别保存在两个文件夹中，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

2024-08-06

1000多张室内室外场景人员吸烟检测数据集， voc格式标签

1000多张室内室外场景人员吸烟检测数据集， voc格式标签，可直接用于训练吸烟检测模型；数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

2024-08-06

6000多张是否吸烟-打电话图像分类数据集-吸烟检测-是否吸烟-打电话-cls.zip

6000多张是否吸烟-打电话图像分类数据集-吸烟检测-是否吸烟-打电话_cls.zip，每个类别在单独的一个文件夹中，以及分好，可以直接用于分类模型的训练，从而预测是否在打电话，吸烟，喝正常状态，共三个类别；数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

2024-08-06

3000多张yolo算法红外图像DMS驾驶员抽烟-打电话检测数据集

yolo算法红外图像DMS驾驶员抽烟-打电话检测数据集，包含3000多张DMS驾驶员抽烟-打电话检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： nc: 2 names: ['cigarette', 'phone']

2024-08-06

3万张手部关键点检测数据集，裁剪出来的roi手部区域，关键点标注文件

3万张手部关键点检测数据集，裁剪出来的手部roi+加外扩一定区域，关键点标注文件， 3万张手部关键点检测数据集，裁剪出来的roi手部区域，关键点标注文件， 3万张手部关键点检测数据集，裁剪出来的roi手部区域，关键点标注文件， 3万张手部关键点检测数据集，裁剪出来的roi手部区域，关键点标注文件

2024-08-06

几百张人手检测数据集-无标签VOC2007-handdata.zip

几百张人手检测数据集-无标签VOC2007-handdata.zip，几百张人手检测数据集-无标签VOC2007-handdata.zip，几百张人手检测数据集-无标签VOC2007-handdata.zip，几百张人手检测数据集-无标签VOC2007-handdata.zip，几百张人手检测数据集-无标签VOC2007-handdata.zip，几百张人手检测数据集-无标签VOC2007-handdata.zip，几百张人手检测数据集-无标签VOC2007-handdata.zip，几百张人手检测数据集-无标签VOC2007-handdata.zip，几百张人手检测数据集-无标签VOC2007-handdata.zip，

2024-08-06

yolov9道路标志检测，包含训练好检测权重

1、yolov9道路标志检测，包含训练好的检测权重，以及PR曲线，loss曲线等等，在道路指示牌识别数据集中训练得到的权重，目标类别名为trafficlight；speedlimit；crosswalk；stop共四个类别，并附道路指示牌识别数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

2024-08-05

yolov10西红柿检测，包含训练好的西红柿检测权重

1、yolov10西红柿检测，包含训练好的西红柿检测权重，以及PR曲线，loss曲线等等，在一千多张西红柿检测数据集中训练得到的权重，目标类别为toamto共1个类别，并附1000多张西红柿检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

2024-08-05

yolov9西红柿检测，包含训练好的西红柿检测权重

1、yolov9西红柿检测，包含训练好的西红柿检测权重，以及PR曲线，loss曲线等等，在一千多张西红柿检测数据集中训练得到的权重，目标类别为toamto共1个类别，并附1000多张西红柿检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

2024-08-05

yolov10道路标志检测，包含训练好的玩手机检测权重

1、yolov10道路标志检测，包含训练好的玩手机检测权重，以及PR曲线，loss曲线等等，在道路指示牌识别数据集中训练得到的权重，目标类别名为trafficlight；speedlimit；crosswalk；stop共四个类别，并附道路指示牌识别数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

2024-08-05

YOLOv10水下垃圾检测，包含训练好的水下垃圾检测权重

1、YOLOv10水下垃圾检测，包含训练好的水下垃圾检测权重，以及PR曲线，loss曲线等等； 2、包含VOC水下垃圾检测数据集，几千张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，包含许多不同类型的海洋垃圾的图像；数据场景丰富；类别为metal、wood、platstic、rubber、cloth等多个类别目标； 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/12423074

2024-08-05

YOLOv9水下垃圾检测+训练好的模型+标注好的数据集

1、YOLOv9水下垃圾检测，包含训练好的水下垃圾检测权重，以及PR曲线，loss曲线等等； 2、包含VOC水下垃圾检测数据集，几千张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，包含许多不同类型的海洋垃圾的图像；数据场景丰富；类别为metal、wood、platstic、rubber、cloth等多个类别目标； 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/12423074

2024-08-05

YOLOV10吸烟行为检测，内含各种训练曲线图，并包含数据集

1、YOLOV10吸烟行为检测，内含各种训练曲线图，并包含数据集， 5000多张使用lableimg软件标注软件标注好的吸烟数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，分别保存在两个文件夹中，类别名为smoke; 可以直接用于YOLO系列的吸烟行， 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，代码是python的

2024-07-27

YOLOv10训练好的道路裂缝检测模型+数据集

1、YOLOv10训练好的道路裂缝检测模型，并包含1000多张标注好的数据集，标签格式为xml和txt两种，配置好YOLOv5环境后可以直接使用 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，代码是python的

2024-07-27

YOLOv10道路破损检测，包含训练好的道路破损检测权重+数据集

1、YOLOv10道路破损检测，包含训练好的道路破损检测权重，以及PR曲线，loss曲线等等 2、YOLO道路破损检测数据集，7000多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOL道路破损识别，类别为D40、D44、D0、D20、D01、D11、D10、D50、D43、D0w0，数据集图片数量为7000 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

2024-07-27

YOLOv9反光衣检测，包含训练好的反光衣识别权重和数据集

1、YOLOv9反光衣检测，包含训练好的反光衣识别权重和数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、有pyqt界面，可检测图片、视频和调用摄像头 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

2024-07-27

YOLOv10反光衣检测+包含训练好的反光衣识别权重和数据集

1、YOLOv10反光衣检测，包含训练好的反光衣识别权重和数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、有pyqt界面，可检测图片、视频和调用摄像头 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

2024-07-27

YOLOv10打电话行为检测，包含训练好的打电话识别权重和数据集

1、YOLOv10打电话行为检测，包含训练好的打电话识别权重和数据集，标签格式为txt，分别保存在两个文件夹中 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码

2024-07-27

YOLOv10电力巡检安全帽检测训练好的模型和代码

1、YOLOv10电力巡检安全帽检测训练好的模型和代码，用于检测工人在电塔、电线杆上作业时是否正确佩戴安全帽，PR曲线等图保存在runs文件夹中，配置好环境就可以直接运行； 2、数据集和检测结果：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、qt界面可以检测图片、视频和调用摄像头，有相应的选择项； 4、采用pytrch框架，代码是python的

2024-07-27

yolov10算法养殖场生猪-猪只行为状态检测训练权重

yolov10算法养殖场生猪-猪只行为状态检测训练权重，包含1000多养殖场生猪-猪只行为状态检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： nc: 4 names: - eat - stand - lie - attack

2024-07-27

yolov10常用二维码检测检测，包含训练好的二维码检测检测权重

1、yolov10常用二维码检测检测，包含训练好的二维码检测检测权重，以及PR曲线，loss曲线等等，在二维码检测数据集中训练得到的权重，有pyqt界面，目标类别为QR_code共1个类别，并附2000多张二维码检测检测数据集，标签格式为voc和yolo两种格式，分别保存在两个文件夹中 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码

2024-07-27

YOLOv9道路破损检测，包含训练好的道路破损检测权重

1、YOLOv9道路破损检测，包含训练好的道路破损检测权重，以及PR曲线，loss曲线等等 2、YOLO道路破损检测数据集，7000多张使用lableimg标注软件，标注好的真实场景的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOL道路破损识别，类别为D40、D44、D0、D20、D01、D11、D10、D50、D43、D0w0，数据集图片数量为7000 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

2024-07-27

yolov10玩手机打电话检测训练权重+1万玩手机打电话检测数据集

yolov10玩手机检测，训练好的权重，可以直接使用，并附有10000左右数据集，数据集目录已经配置好，yolo格式(txt)的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型，数据集和检测结果参考： https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/131352918 数据集配置目录结构data.yaml： nc: 1 play_phone

2024-07-27

yolov9玩手机检测，训练好的权重，可以直接使用，并附有10000左右数据集

yolov9玩手机检测，训练好的权重，可以直接使用，并附有10000左右数据集，数据集目录已经配置好，yolo格式(txt)的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型，数据集和检测结果参考： https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/131352918 数据集配置目录结构data.yaml： nc: 1 play_phone

2024-07-27

yolov10训练好的汽车检测模型，包含训练好的汽车识别权重

1、yolov10训练好的汽车检测模型，包含训练好的汽车识别权重，从自动驾驶场景KITTI汽车检测数据集训练得到 2、自动驾驶场景KITTI汽车检测数据集：https://download.csdn.net/download/zhiqingAI/85208797 4、包含标注好的城市交通场景的数据集，标签格式为xml和txt两种，类别名为car，配置好环境后可以直接使用 5、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 6、采用pytrch框架，python代码

2024-07-20

yolov10猴子动物检测权重,包含6000多张猴子检测数据集

yolov10猴子动物检测权重,包含6000多张猴子检测数据集，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/136969433 数据集配置目录结构data.yaml： nc: 1 names: - Monkey

2024-07-20

yolov10中大小各种尺度红外无人机检测+训练好的权重

yolov10中大小各种尺度红外无人机检测，训练好的权重，可以直接使用，并附有8000左右yolo小型型固定翼无人机检测数据集，数据集目录已经配置好，yolo格式(txt)的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型，数据集和检测结果参考： https://blog.csdn.net/zhiqingAI/article/details/124230743 https://blog.csdn.net/zhiqingAI/article/details/136952543 数据集配置目录结构data.yaml： nc: 1 names: ['IR_Drone']

2024-07-20

yolov10多类别口罩检测训练权重， 3000多千张多类别口罩检测数据集

yolov10多类别口罩检测训练权重， 3000多千张多类别口罩检测数据集，数据集目录已经配置好，yolo格式(txt)的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型，采用pytrch框架，代码是python的数据集和检测结果参考： https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： train: ../train/images val: ../valid/images test: ../test/images nc: 8 names: ['cloth', 'kn95', 'mask', 'mask_weared_incorrect', 'n95', 'surgical', 'with_mask', 'without_mask']

2024-07-20

YOLOv9车辆行人四类别检测模型+数据集

1、YOLOv9车辆行人四类别检测模型， YOLO车辆行人四类别识别数据集，目标类别为person、car、bus、truck 共4个类别，4000多张行人车辆检测数据集，标签格式为txt，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

2024-07-20

YOLOv10算法站立-跌倒-吸烟行为检测模型+数据集

YOLOv10算法站立-跌倒-吸烟行为检测模型，包含2000张左右YOLO算法站立-跌倒-吸烟行为检测数据集数据集，数据集目录已经配置好，yolo格式的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： train: ./train/images val: ./valid/images test: ./test/images nc: 3 names: - stand - fall - smoking

2024-07-20

YOLOv10车辆行人四类别检测模型+车辆行人四类别识别数据集

1、YOLOv10车辆行人四类别检测模型， YOLO车辆行人四类别识别数据集，目标类别为person、car、bus、truck 共4个类别，4000多张行人车辆检测数据集，标签格式为txt，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

2024-07-20

YOLOv9算法站立-跌倒-吸烟行为检测模型，包含2000张左右YOLO算法站立-跌倒-吸烟行为检测数据集数据集

YOLOv9算法站立-跌倒-吸烟行为检测模型，包含2000张左右YOLO算法站立-跌倒-吸烟行为检测数据集数据集，数据集目录已经配置好，yolo格式的标签，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8等算法可以直接进行训练模型，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： train: ./train/images val: ./valid/images test: ./test/images nc: 3 names: - stand - fall - smoking

2024-07-20

yolov10不同颜色安全帽检测，包含训练好的不同颜色安全帽检测权重+数据集

1、yolov10不同颜色安全帽检测，包含训练好的不同颜色安全帽检测权重，以及PR曲线，loss曲线等等，在3000多不同颜色安全帽检测据集中训练得到的权重，有pyqt界面，目标类别名为各种颜色的安全帽以及未正常佩戴安全帽共5个类别；并附不同颜色安全帽检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，python代码

2024-07-20

YOLOv10安全帽检测训练好的模型和代码，几千张数据训练得到的权重文件+数据集

YOLOv10安全帽检测训练好的模型和代码，几千张数据训练得到的权重文件，mAP和召回率recall达到了90%多，PR曲线等图保存在runs文件夹中，配置好YOLOv5的环境就可以直接运行，数据集和检测结果：https://blog.csdn.net/zhiqingAI/article/details/12423074

2024-07-20

yolov9算法国外车牌检测训练权重，只检测车牌框

yolov9算法国外车牌检测训练权重，只检测车牌框，包含5000多国外车牌检测检测数据集，数据集目录已经配置好，划分好 train，val, test，并附有data.yaml文件，yolov5、yolov7、yolov8，yolov9等算法可以直接进行训练模型，txt格式标签，数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 数据集配置目录结构data.yaml： nc: 1 names: - License_Plate

2024-07-13

yolov10车辆行人检测，包含训练好的车辆行人检测权重

1、yolov10车辆行人检测，包含训练好的车辆行人检测权重，以及PR曲线，loss曲线等等，map达90% 多，在交通场景行人车辆数据集中训练得到的权重，目标类别为person和car 共2个类别，并附5000多张行人车辆检测数据集，标签格式为txt和xml两种，分别保存在两个文件夹中 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，python代码

2024-07-13

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人