自动YOLO贴标机 注意：该工具仅适用于每个图像一个对象。 请使用带有单个物体的图像以获得准确的结果。 您可以通过检查png图像来验证标签。 如果从图像中正确删除了背景，则其标签正确。 YOLO Labeler是用于以YOLO格式删除图像背景和标签对象的工具。 例子 YOLO字串：0 0.513942 0.407692 0.272115 0.746795 YOLO字串：0 0.287500 0.580769 0.575000 0.837821 YOLO字符串：1 0.546627 0.473380 0.899471 0.834987 YOLO字符串：2 0.312660 0.499840 0.625321 0.999679 YOLO字符串：2 0.484135 0.499840 0.363141 0.999679 安装 pip3 install yolo-labeler 用作图

yolov3 github源码中自带的把~我再上传一遍也没毛病，放这里存一下，免得忘了............

Visdrone数据集YOLOv5s和YOLOv5m两个模型的训练结果，训练了300个epoches ;YOLOv5使用的是第五个版本，并且提供有相关场景下的测试的视频，有需要的可以下载

YOLOv5火焰识别结果权重文件，模型为YOLOv5s.pt，版本五的项目代码，训练类别为fire，有需要的可以下载

颜色分类leetcode 车辆检测项目 概述 车辆检测项目使用机器学习和计算机视觉技术，并结合技术。 我应用了两种不同的检测方法。 本项目的步骤如下： 1) SVM算法 对标记的训练图像集执行定向梯度直方图 (HOG) 特征提取，并训练分类器线性 SVM 分类器。 实施有效的滑动窗口技术并使用训练有素的 SVM 分类器搜索图像中的车辆。 在视频流上运行管道并逐帧创建重复检测的热图，以拒绝异常值并跟踪检测到的车辆。 2）YOLO算法 构建基于 Keras 的神经网络并实现预训练模型来预测图像。 在视频流上运行管道并创建一个控制台来监控车道状态和检测。 用法 Project-SVM.py和helper.py包含 SVM 分类器结构和管道的代码。 dist.p包含一个基于 YUV 颜色特征和 HOG 特征的训练 SVM 分类器，具有 17,000 多张汽车和非汽车图片。 Project-yolo.py和helper_yolo.py包含helper_yolo.py网络和管道的代码。 依赖关系 麻木 简历2 学习 scipy skimage 凯拉斯 1) SVM算法 SVM（支持向量机）是一种强

目标检测无人机数据集之（三），包含1万多张无人机飞行图片，目标小，适合小目标检测和跟踪，类别名为drone，标签格式为YOLO格式和VOC两种格式,即txt和xml ;这是无人系列第三个数据，和前两个上传的资源没有重复数据，有需要的可放心下载使用

github上的YOLOV5更新较快，只有配合yaml配置文件的weight才能使用。文件中的权重和配置文件为20200706的，亲测可用。 YOLOv5速度比前代更快，在运行Tesla P100的YOLOv5 Colab笔记本中，每个图像的推理时间快至0.007秒，意味着每秒140帧（FPS）！ YOLOv5体积小，YOLOv5 s的权重文件为27MB。YOLOv4（Darknet架构）的权重文件为244MB。YOLOv5比YOLOv4小近90％。这意味着YOLOv5可以更轻松地部署到嵌入式设备。 此外，因为YOLOv5是在PyTorch中实现的，所以它受益于已建立的PyTorch生态系

工地上安全帽数据集2000张，用labelimg标注完成，人工标注，类别3个：helmet，head，person

yolov5s.pt,yolov5l.pt,yolov5m.pt,yolov5x.pt weight

labelImg-master YOLO标注