Unity_Detection2AR 一种将对象定位合并到常规计算机视觉对象检测算法中的简单解决方案。 想法：没有太多的开源实时3D对象检测。 这是一个使用“更流行”的2D对象检测，然后使用几个特征点对其进行本地化的示例。 它使用最近发布的进行对象检测，并使用ARFoundation进行AR。 它可以在iOS和Android设备上使用。 目前支持微小的Yolo2和3。 要求 "com.unity.barracuda": "1.0.3", "com.unity.xr.arfoundation": "4.0.8", "com.unity.xr.arkit": "4.0.8", "com.unity.xr.arcore": "4.0.8" 用法 它是在Unity 2020.2.1中开发的，需要具有更新的AR包的产品就绪的梭子鱼。 梭子鱼的预览版似乎不稳定，可能无法正常工作。 在Unity

通过卫星影像进行船只检测 这是来自Kaggle的“的的船舶检测管道。 它使用滑动Windows +非最大压缩来进行对象检测，并使用HoG + SVM方法进行分类。 剧本 分类器 HoG + SVM分类器是使用数据集压缩文件中包含的信息以及以pickle格式存储的信息进行训练的。 python ship_clf.py 滑动窗物体检测 船舶检测器将一个窗口滑过图像金字塔，并将每个窗口分类为船舶还是非船舶，并返回一组边界框，这些边界框随后使用非最大压缩方案进行过滤。 python ship_detector.py

CenterNet:用于对象检测的关键点三元组

Android和树莓派上的TensorFlow-Lite对象检测 展示如何训练TensorFlow Lite对象检测模型并在Android，Raspberry Pi等上运行它们的指南！ 介绍 TensorFlow Lite是用于在资源受限的边缘设备上部署轻量级深度学习模型的优化框架。 TensorFlow Lite模型具有更快的推理时间和更少的处理能力，因此可用于在实时应用程序中获得更快的性能。 本指南提供分步说明，说明如何训练自定义TensorFlow对象检测模型，如何将其转换为TensorFlow Lite可以使用的优化格式以及如何在Android手机或Raspberry Pi上运行它。 该指南分为三个主要部分。 每个部分在此存储库中都有其自己的专用README文件。 如何在Windows 10上训练，转换和运行自定义TensorFlow Lite对象检测模型<---您在这里！

YOLO-V5在合作研究中对肺炎图像进行定位和分类 使用Ultralytics的对象检测模型YOLO-V5对自定义图像进行定位和分类 该存储库包含在colab中实现YOLO-V5的实现，以检测和分类肺炎和正常图像 用于此模型的数据来自以下链接（ ） Yolo_v5_Data_Preparation.ipynb-该文件包含所有必要步骤，可将我们的数据集转换为适合YOLO-V5实施的格式 我们必须克隆YOLO-V5的git存储库 YOLO_V5_Training.ipynb-此文件包含在图像上运行YOLO-V5训练所必须执行的操作和步骤 最后，YOLO_V5_Inference.ipynb-在这里，我们根据训练中保存的权重预测并验证模型结果 将来，我计划使用YOLO-V5添加印度卢比检测和分类

猪matlab原始码iHOG：定向梯度直方图 该软件包包含用于反转和可视化HOG功能的工具。 它实现了我们的论文“ HOGgles：可视化目标检测特征” [1]中描述的配对字典学习算法。 安装 必须先编译iHOG，然后才能使用此工具。 在MATLAB中执行“编译”脚本，以编译HOG特征提取代码并稀疏编码SPAMS工具箱： $ cd /path/to/ihog $ matlab >> compile 如果您在编译SPAMS代码时遇到麻烦，则可以尝试打开文件/path/to/ihog/spams/compile.m并调整计算机的设置。 记住也要调整路径，以便MATLAB可以找到iHOG： >> addpath(genpath('/path/to/ihog')) 如果要在自己的项目中使用iHOG，只需将iHOG目录拖放到项目的根目录中即可。 为了使用iHOG，您必须具有学习过的配对字典。 默认情况下，iHOG会在首次执行时尝试从MIT下载经过预训练的软件。 如果您希望手动下载它，只需执行以下操作： $ wget http://people.csail.mit.edu/vondrick/pd.

蓝环章鱼对象检测数据集，关于数据集由316张图像组成，每个标签都是Pascal Voc格式，不进行预处理或图像增强，不分为训练和测试。如果要用作图像分类，只需删除其xmllabel文件(制作于2022年8月至9月)

稀疏R-CNN：具有可学习建议的端到端对象检测 纸（CVPR 2021） 更新 （02/03/2021）通过使用更强大的主干模型报告了更高的性能。 （23/02/2021）通过使用更强大的预训练模型报告了更高的性能。 （02/12/2020）型号和日志（R101_100pro_3x和R101_300pro_3x）可用。 （26/11/2020）提供了模型和日志（R50_100pro_3x和R50_300pro_3x）。 （26/11/2020）通过将辍学率设置为0.0，报告了稀疏R-CNN的更高性能。 楷模 方法 inf_time train_time 盒式AP 程式库 22 FPS 24小时 45.0 22 FPS 28小时 46.5 13 FPS 50小时 45.7 方法 inf_time train_time 盒式AP 下载 23 FPS 19小时

关于FCOS的一些改进（FCOS：完全卷积One-Stage对象检测）

简单的物体检测程序 ##使用React js（ ）。 Tensorflow js（ ）。 安装 npm install 跑步 npm start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 npm test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 npm run build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 生成被最小化，并且文件名包括哈希值。 您的应用已准备好进行部署！ 有关更多信息，请参见关于的部分。 npm run eject 注意：这是单向操作。 eject ，您将无法返回！ 如果您对构建工具和配置选择不满意，则可以随时eject 。 此命令将从您的项目中删除单个生成依赖项。 相反，