【实际项目应用】： 工业缺陷检测、布匹缺陷识别检测、智能质检等。 【数据集说明】： 布匹缺陷检测数据集，一共800张图片，缺陷包含“损坏”、“污渍”两种类别，附有voc（xml）与yolo（txt）两种格式标签。 数据标注精确，多种目标检测算法可直接使用，算法拟合不错，数据质量可靠。 更多数据集介绍请看https://blog.csdn.net/DeepLearning_/article/details/127276492?spm=1001.2014.3001.5502 【备注】：使用过程若有问题请私信联系博主

1、基于yolov5车轮检测源码及模型_附评估指标曲线(高mAP、召回率)及使用说明 2、附有训练pr曲线、损失值曲线、召回率曲线、精确度曲线、mAP等评估指标曲线 3、迭代150次，模型拟合较好。 【备注】有相关使用问题，可以私信留言跟博主沟通。

1、代码包含resnet系列网络源码，如resnet18、resnet34、resnet50、resnet101等。 2、代码中已训练好的模型是基于resnet18，模型是cpu训练 3、使用的深度学习框架为pytorch，建议版本为1.7以上 4、资源附有训练使用的男女人脸图片数据集，已划分为训练集与验证集 5、训练模型较好，精度很高，不仅可以训练，还可以预测，预测结果以弹窗形式展示，演示效果好！ 【备注】该代码模型适合深度学习初学者入门、代码简单易懂，结构清晰，单个py文件调试也方便。有很好的借鉴学习价值！

比较两个字符串的相似度，利用Levenshein算法计算出两个字符串的最小编辑距离，根据最小编辑距离得出相似度，例如： 字符串1:1234 字符串2:51234，则他们的相似度为：4/5。

麻雀搜索算法(Sparrow Search Algorithm, SSA)是于2020年提出的。SSA 主要是受麻雀的觅食行为和反捕食行为的启发而提出的。该算法比较新颖，具有寻优能力强，收敛速度快的优点

蝴蝶优化算法 （Butterfly optimization algorithm，BOA）是由 Arora于基于蝴蝶BOA觅食过程提出的自然启发式算法。该算法具有较高的收敛精度。

受灰狼群体捕食行为的启发，Mirjalili等[1]于 2014年提出了一种新型群体智能优化算法：灰狼优化算法。GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。 GWO算法具有结构简单、需要调节的参数少，容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。

黑猩猩优化算法(ChOA) 是 M． Khishe 等人于2020 年根据黑猩猩群体狩猎行为提出的一种新型元启发式优化算法。具有收敛速度快，精度高等特点。

原子搜索优化算法（Atom Search Optimization）是于2019提出的一种基于分子动力学模型的新颖智能算法．模拟在原子构成的分子系统中，原子因相互间的作用力和系统约束力而产生位移的现象．在一个分子系统中，相邻的原子间存在相互作用力（吸引力和排斥力），且全局最优原子对其他原子存在几何约束作用 ．引力促使原子广泛地探索整个搜索空间，斥力使它们能够有效地开发潜在区域 。具有寻优能力强，收敛快的特点。

正 余 弦 优 化 算 法 ( Sine Cosine Algorithm，SCA) 是Seyedali Mirjalili等于2016年提出的一种新型智能优化算法，在算法中会生成多个初始随机候选解，并使它们基于正弦和余弦的数学模型向外波动或向最优解的方向波动，利用多个随机变量和自适应变量来计算当前解所在位置，从而可以搜索空间中的不同区域，有效地避免局部最优，收敛于全局最优。