数据集说明 CoFly-WeedDB数据集（约436MB）由201张航拍图像组成，它们捕获了干扰行作物（棉花）的不同杂草类型，以及它们相应的带注释的图像。 杂草实例的注释过程由农学家使用注释工具进行，指示了三种不同类型的杂草： （高粱halepence） （空心菜） 齿（（马齿ula） 对于带注释的图像，每种杂草类型都用不同的颜色标记，而图像的其余部分被视为背景。 具体来说： 红约翰逊草 黄色-场旋花 蓝P 黑色-背景 数据采集 该数据集是使用安装在DJI Phantom 4 Pro无人机上的RGB相机（1英寸20兆像素CMOS传感器）创建的。 在无人机执行对现场区域的覆盖任务时，收集了RGB图像。 在设计任务期间，将摄影机角度调整为垂直于视场，为-87°。 无人机的飞行高度和速度分别等于5m和3m / s，旨在提供杂草实例的近距离和清晰视野。 可视化 CoFly-WeedDB

3D-UAV-Mapper.zip,无人机测绘仪是一种轻型无人机图像处理系统，可进行视觉sfm重建或空中三角测量、快速正射拼接、平面拼接、快速数字地面地图（dsm）和无人机三维重建。,3D建模使用专门的软件来创建物理对象的数字模型。它是3D计算机图形的一个方面，用于视频游戏，3D打印和VR，以及其他应用程序。

代码摘要：服从莱斯衰落的基站到用户（UAV）的信道模拟，基于参考文献进行Python仿真 适合人群：对莱斯衰落有一定理论基础，熟练Python语言 能学到这些：基于Python代码的Rician信道仿真 建议：根据自己的模型可对代码做适当的调整

空中图 概述 加载不同格式的相机姿势（例如 ， ） 从原始图像，相机姿势和相机内部生成密集的点云 从原始点云生成数字表面模型（DSM）并导出，例如导出为格式 从原始图像，相机姿势和相机内在函数生成（正交）马赛克的不同方法 包装概述 元数据包 示例可执行文件。 使用平面校正生成密集点云。 数字曲面贴图/模型生成。 Google Maps API的包装程序包。 包装程序包。 读取/写入姿势，内在函数，点云，GeoTiffs等的输入/输出处理程序。 用于（）镶嵌生成的不同方法。 包含第三方代码的软件包。 aircraft_mapper_utils：通用实用程序功能的软件包。 入门 如何安装 如何运行（+示例数据集） 如何贡献 输出样本 密集点云（来自虚拟立体声对，2张图像） 数字表面图（DSM，导出为GeoTiff） （正交）马赛克（来自单应性，249张图像） 原

PX4无人机自动驾驶仪 该存储库包含用于无人机的飞行控制解决方案，其主要应用程序位于目录中。 它还包含PX4 Drone中间件平台，该平台提供用于运行无人机的驱动程序和中间件。 官方网站： : （许可证：BSD 3-clause， ） （）： 更多实验类型（漫游者，飞艇，船，潜艇，旋翼机等） 发布： PX4用户 《 介绍了如何使用PX4组装和飞行无人机。 如果需要帮助，请查看！ PX4开发人员 本适用于想要修改飞行堆栈和中间件（例如，添加新的飞行模式）的软件开发人员，想要支持新的飞行控制器板和外围设备的硬件集成商，以及希望PX4在新的系统上工作的任何人（不支持的机身/车辆。 开发人员应该阅读。 如果需要帮助，请查看！ 每周开发人员电话 PX4开发团队在上保持同步。 注意dev调用对所有感兴趣的开发人员（不仅仅是核心dev团队）开放。 这是与团队会面并为平台的持续发展做出贡献的绝佳机会。 它包括针对新手的质量检查会议。 所有常规通话均在中列出。 维修队 项目：创始人 建筑 通讯架构 QGroundControl中的UI 操作系统/ NuttX 驱动架构 指挥官架

深度增强学习优化无人机航迹

1、Darknet版YOLOv4无人机检测，drone检测，训练结果文件，包含drone.data , drone.names, yolov4-drone.cfg， yolov4-drone_best.weights权重文件，并包含训练loss曲线和map曲线图，在一万多张场景丰富、多尺度无人机数据集上训练得到的结果， 可以检测远、近、大、中、小各种无人机目标 2、包含YOLOv4和YOLOv4_tiny两种训练好的模型 3、目标类别名： drone

1、无人机数据集第五分部分，目标小，图片分辨率为1920x1080像素，数量为6234张，标签格式为VOC和YOLO两种格式，类别名为drone， 2、用于YOLO旋翼无人机检测和deepsort无人机视觉跟踪等等

UAV-PPK数据处理软件-使用方法

DRL深度强化学习无人机路径规划程序源码