采用pytorch深度学习框架实现的deeplab_v3+语义分割任务，谷歌deeplab系列性能最好也是最复杂的一个版本，可满足绝大部分基础语义分割场景。主干网络在算力不足时可选择轻量版的mobilenet_v2，算力足够时可选择Xception。 deeplab_v3+：用一个简单有效的解码器模块扩展deeplab_v3优化细分结果，尤其是沿目标边界。此外，在这种编码器 - 解码器结构中，可以通过空洞卷积任意地控制所提取的编码器特征的分辨率，以平衡准确率和运行时间。 本代码可作为入门计算机视觉语义分割任务时的学习了解用处，也可作为高校大学生的毕业课程设计使用。

当前yolo系列性能最好的目标检测算法！！！（同时轻微降点实现端到端检测），相对于yolo_v4,yolo_v5,pp_yolo等性能较好的算法，在速度仅仅增加1ms左右的情况下，mAP精度实现0.8-2.9左右的涨点。本算法是根据旷视科技开源算法yolox复现的pytorch版本，内含各种对数据集处理，裁剪，数据增强的脚本，标注好的数据集，推理结果以及详细的使用说明，可轻松迁移到其他例如车牌人脸虫害识别，遥感、缺陷、自动驾驶等检测业务场景。也可作为高校大学生的毕业课程设计使用。

配网低压绝缘子缺陷检测数据集（含txt标签，1w多张图像）

输电线路绝缘子检测数据集（VOC标签，160多张原图，无扩充）

内含复合绝缘子憎水性等级图像样本，共计4536张图像，含有HC1-HC7等级，每类最少600张图像，可用于憎水性等级识别，判断复合绝缘子的憎水性情况，是否进行更换............

绝缘子憎水性等级识别图像数据集(200多张，HC1-HC7)

绝缘子憎水性等级识别图像数据集（划分好训练集、测试集、HC1-HC7每类600多张）

绝缘子自爆检测图像数据集（可自行扩充）

绝缘子憎水性等级图像识别数据集（HC1-HC7每类几百张图像，已划分好训练、验证及测试）

66kV变电站绝缘子检测图像数据集，内含voc标签与图像，可用于目标检测、深度学习等，或者用来补充变电站图像做变电站目标的检测。