实时物体检测应用 Web应用程序，用于通过Web浏览器对视频流进行实时对象检测。 安装 创建并激活虚拟环境，如下所示： $ cd cloned/directory/ $ python -m venv env $ env/Scripts/activate 安装并激活环境后，请安装所有依赖项： $ pip install -r requirements.txt 之后，您可以运行以下命令并在浏览器上以访问该应用程序。 $ python application.py 观察：该应用程序仅在Google Chrome上进行了测试。 下载型号 要下载yolov3.weights ，只需运行： $ cd models/ $ python dl-weights.py 用法 摄像头预览：启用和禁用网络摄像头预览。 运行检测模型：启用和禁用检测模型。 曝光：增加或减少相机曝光的按钮停止1。

阿尔特罗斯·尤洛 最新的C＃实时对象检测系统（Visual Studio）。 该项目具有CPU和GPU支持，使用GPU可以更快地进行检测。 该项目的主要目标是易于使用yolo，该软件包可在nuget上使用，您只需安装两个软件包即可开始检测。 在后台，我们使用Windows Yolo版本的 。 将图像路径或字节数组发送到并接收检测到的对象的位置。 我们的项目旨在将对象类型和-position返回为可处理数据。 该库支持 NuGet 通过快速安装Alturos.Yolo PM> install-package Alturos.Yolo (C# wrapper and C++ dlls 28MB

这是一个过时的项目。 将用于Unity中的图像分类。 参见 适用于Unity的YOLO游戏中对象检测（Windows） 通过对Unity（Windows）进行实验性的。 使用，请参阅相应的。 如何使用 编译YoloSrc\Yolo.sln 发布YoloServer项目 启动YoloSrc\YoloServer\bin\Release\netcoreapp2.1\win-x64\YoloServer.exe 在Unity编辑器中打开YoloUnity项目并进入播放模式 如果出现Grpc.Core.RpcException，请退出并重新进入播放模式。

该PPT详细描述了Yolo对象检测的基本原理以及用TensorFlow实现的过程

detBlendPipe 使用BlenderProc和Detectron2的数据生成器和对象检测 安装 如果需要，请使用venv。 pip install -r requirements/dev.txt git clone https://github.com/DLR-RM/BlenderProc.git # skip this if you dont want sample haven dataset cd BlenderProc python scripts/download_haven.py 这将安装detectron2和blenderproc。 用法 streamlit run front_end/main.py

对象检测Yolo-v4 使用Yolo v4进行人和车检测

MobileNetV3-SSD MobileNetV3-SSD implementation in PyTorch 关于第二个版本请移步 有测试结果 希望尝试新技术请到这里 一个轻量级的目标检测包括多种模型 目的 Object Detection 应用于目标检测 环境 操作系统: Ubuntu18.04 Python: 3.6 PyTorch: 1.1.0 使用MobileNetV3-SSD实现目标检测 Support Export ONNX 代码参考（严重参考以下代码） 一 SSD部分 二 MobileNetV3 部分 4 MobileNetV1, MobileNetV2, VGG based SSD/SSD-lite implementation in Pytorch 1.0 / Pytorch 0.4. Out-of-box support for retraining on O

在HoloLens上运行YOLO 使用带有Microsoft HoloLens前端的YOLOv3进行对象检测。 该项目基于两个存储库： YOLOv3： ： HoloLens，Unity，Azure认知服务： : 这里的重点是合并这两个概念：用YOLOv3服务替换认知服务，并将其用于Unity项目中的HoloLens。

ObjectDetectionRestAPI Flask Web Server对象检测Mask-RCNN模型的实现 相依性 张量流> = 1.5 烧瓶> = 1.0.2 枕头> = 5.1.0 opencv> = 3.4.1 执行 运行Mask-RCNN对象检测服务器（默认为端口5000） python maskrcnn-server.py 或运行SSD MobileNet对象检测服务器（默认为端口5000） python ssd_server.py

用于目标检测的混淆矩阵 ConfusionMatrix类可用于为对象检测任务生成混淆矩阵。 用法 在测试代​​码中，您需要使用适当的参数声明ConfusionMatrix类。 conf_mat = ConfusionMatrix(num_classes = 3, CONF_THRESHOLD = 0.3, IOU_THRESHOLD = 0.5) 该类具有一个名为process_batch的函数，您可以使用它来更新混淆矩阵。 用法示例可以是： conf_mat.process_batch(preds, gt_boxes)其中preds是模型做出的预测，[N，6] x1，y1，x2，y2，置信度，类和gt_boxes是地面真相标签，[M，4] x1，y1，x2 ，y2，班级。 参考 该存储库使用Pytorch存储库中的函数 和 代码与下面的存储库非常相似，该存储库的主要贡献是Co