PCB板缺陷检测系统源代码，基于yolov5自己的数据集+基于python的检测和C++的部署检测。相关工作 （1）解压数据集，放在yolov5-6.0根目录下 （2）删除ImageSets文件夹下的内容，在/ImageSets文件夹下新建Main文件夹 （3）数据集分类，运行test.py（注意路径正确）。会在/ImageSets/Main文件夹下生成四个txt文件，trainval.txt、test.txt、train.txt、val.txt。 （4）在data文件夹下新建labels文件夹，然后在yolov5-6.0文件夹下新建my_labels.py文件，并运行（注意路径，注意数据集类别）。会在data文件夹下生成三个txt文件，train.txt、val.txt、test.txt。 （5）在models文件夹下新建文件my_pcb.yaml（注意修改类别数量nc） （6）在data文件夹下新建my_data.yaml（注意train和val路径、nc和数据类别名称names） （7）准备预训练文件yolov5s.pt，放在weights文件夹下。 （8）开始训练

基于CNN的汽车目标检测算法matlab实现，可以适配自己的数据集，内部含数据集

训练自己的数据集 感谢 大佬的开源！！！ DataXujing 我们以训练YOLOv4-P7为例，介绍如何基于Scaled YOLOv4训练自己的数据集 0.环境配置 python3.7 cuda 10.2 pytorch==1.6.0 torchvision==0.7.0 # mish-cuda # 使用预训练的模型 git clone https://github.com/thomasbrandon/mish-cuda mc cd mc # change all of name which is mish_cuda to mish_mish and build. # 1. mc/src/mish_cuda -> mc/src/mish_mish # 2. mc/csrc/mish_cuda.cpp -> mc/csrc/mish_mish.cpp # 3. in mc/setup.p

YOLOv3_TensorFlow 注意：由于我已切换到PyTorch一年，因此不再维护此回购协议（实际上我已经取消了很长一段时间的支持）。 寿命短，我使用PyTorch。 1.简介 这是我在纯TensorFlow中实现的 。 它包含有关您自己的数据集的完整培训和评估流程。 此仓库的主要功能是： 高效的tf.data管道 权重转换器（将COCO数据集上的预训练暗网权重转换为TensorFlow检查点。） 极快的GPU非最大抑制。 完整的培训和评估渠道。 Kmeans算法选择先验锚框。 2.要求 Python版本：2或3 包装方式： tensorflow> = 1.8.0（理论上任

【小白CV】手把手教你用YOLOv5训练自己的数据集（从Windows环境配置到模型部署）_梁瑛平的博客-CSDN博客.pdf

完整的DBN网络对自己的数据集进行故障诊断实例

pytorch MaskRCNN-Benchmark框架训练自己的数据集，类别数量不同-附件资源

主要介绍了keras-siamese用自己的数据集实现详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

Stylegan2-Ada-Google-Colab-Starter-Notebook 一款用于培训Stylegan2-ada的colab笔记本，不容小rill。 将学习转移到您自己的数据集上从未如此简单:)

用于训练自己制作的数据集的一个项目。关于如何制作自己的数据集 http://tech.ifeng.com/a/20171014/44715883_0.shtml 盯住梅西：TensorFlow目标检测实战 上面有详细的介绍。