darknet_ros：YOLO ROS：ROS的实时对象检测

NAS-FPN：用于对象检测的学习可扩展特征金字塔结构

matlab中的f-measure代码显着物体检测评估（Evaluate SOD） 流行 SOD 指标的 PYTHON 实现，包括 MAE、F-measure、S-measure、E-measure 和加权 F-measure 使用 GPU 实现对显着对象检测的快速评估，包括MAE、Max F-measure、S-measure、E-measure 。 代码是从 matlab 版本重新实现的，可从 获得，从 修改。 请注意，在 E-measure、加权 F-measure 和 S-measure 中考虑了完全黑色的ground truth； 排除在 F-measure 中（与 中的 Matlab 代码一致）。 使用 pytorch 实现 GPU，可以更轻松地嵌入到 eval 代码中。 如果您发现代码对您的研究有用，请引用以下论文。 @inproceedings{fan2017structure, title={{Structure-measure: A New Way to Evaluate Foreground Maps}}, author={Fan, Deng-Ping and

您可以将 GPU Coder:trade_mark: 与 Deep Learning Toolbox:trade_mark: 结合使用，在使用 NVIDIA:registered: Jetson 和 Drive 平台的嵌入式平台上生成代码并部署深度学习网络。 即使没有神经网络、深度学习或高级计算机视觉算法方面的专业知识，预训练的网络和示例（例如对象检测、图像分类和驾驶员辅助应用程序）也可以轻松使用 GPU Coder 进行深度学习。 我们从 MATLAB 中已发布的示例开始，该示例解释了如何训练 YOLO v2 对象检测器，并使用 GPU Coder:trade_mark: 生成优化的 CUDA 代码，并使用适用于 NVIDIA:registered: GPU 的硬件支持包，将生成的代码部署到 Jetson Xavier板作为一个独立的应用程序。 下载包含可用于生成代码的附加脚本和函数。 有关 MATLAB 中的示例和所有必需文件，请参阅以下文档链接： 使用YOLO v2深度学习进行对象检测：

视频序列中的运动对象检测和跟踪算法_英文_.doc

yolov3-ios 在ios平台上使用yolo v3对象检测。 示例应用程序： 快速开始： 在ios中运行tiny_model.xcodeproj。 训练 培训过程主要参考 。 我们将yolov3与。 1.要求 python 3.6.4 keras 2.1.5 张量流1.6.0 2，生成数据集 生成VOC格式的数据集。 并尝试使用python voc_annotations 。 3.开始训练 cd yolov3_with_Densenet 对于带有Darknet的yolo模型： wget https://pjreddie.com/media/files/darknet53.conv.74 将其重命名为darknet53.weights python convert.py -w darknet53.cfg darknet53.weights model_data/darkn

主要介绍了使用JavaScript的ActiveXObject对象检测应用程序是否安装的方法,需要的朋友可以参考下

YOLO实战视频培训课程概况：本教程无需深度学习经验，是初级教程，无需高配置机器，能上网就能实践，本课程分享图像标注软件的使用，讲述了如何练好自己的模型，并将模型发布到服务或是移到android使用

使用Tensorflow 2进行Tensorflow对象检测 在此存储库中，您可以找到有关如何在Tensorflow 2中使用Tensorflow OD API的一些示例。有关更多信息，请查看我的文章： 安装 您可以使用Python Package Installer（pip）或 （用于部署和管理容器化应用程序的开源平台）安装TensorFlow对象检测API。 首先克隆Tensorflow Models存储库的master分支： git clone https://github.com/tensorflow/models.git Docker安装 # From the root of the git repository (inside the models directory) docker build -f research/object_detection/dockerfil

少量物体检测（FsDet） FsDet包含ICML 2020论文《令人中的官方几次物体检测实现。 除了以前的作品所使用的基准，我们还在三个数据集上引入了新的基准：PASCAL VOC，COCO和LVIS。我们对多组实验的多次抽样训练样本进行了多组采样，并报告了基础班和新颖班的评估结果。这些在“中有更详细的描述。 我们还为我们的两阶段微调方法（TFA）提供了基准测试结果和经过预训练的模型。在TFA中，我们首先在数据丰富的基类上训练整个对象检测器，然后仅在小的平衡训练集上微调检测器的最后一层。见为我们提供的模型和的培训和评估指导。 FsDet的模块化程度很高，因此您可以轻松添加自己的数据集和模型。该存储库的目标是为检测少量物体提供一个通用框架，该框架可用于将来的研究。 如果您发现此存储库对您的出版物有用，请考虑引用我们的论文。 @article{wang2020few, tit