Advertisement

TensorFlow的object detection API模型包。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
TensorFlow Object Detection API的2020年2月完整版代码仓库已通过GitHub提供下载。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • TensorFlow Object Detection API Models.zip
    优质
    TensorFlow Object Detection API Models.zip包含用于物体检测任务的各种预训练模型和配置文件，适用于多种应用场景。 如何在2020年2月下载TensorFlow Object Detection API的完整版本？
     
  • 利用TensorFlow Object Detection API实现基于SSD模型的实时目标检测
    优质
    本项目采用TensorFlow Object Detection API，结合SSD算法，在视频流中进行高效、实时的目标识别与追踪。 使用 TensorFlow Object Detection API 进行实时目标检测（基于 SSD 模型）的实验目的是实现行人识别、人脸识别以及交通灯识别等功能，并确保系统能够进行实时检测，平均帧率超过15 FPS。此外，还将利用 tflite 将模型移植到嵌入式设备上运行。
     
  • 保姆级TensorFlow 2.x Object Detection API定制物体检测器项目源码
    优质
    本项目提供详尽教程与源代码，指导初学者使用TensorFlow 2.x的Object Detection API从零开始构建和定制物体检测模型。适合希望深入理解机器视觉技术原理及应用开发人员学习。 【物体检测快速入门系列 | 01】基于Tensorflow2.x Object Detection API构建自定义物体检测器的博文配套项目源代码包括数据集标注、标签映射、标注文件格式转换脚本，训练流水线配置，训练脚本、评估脚本、导出脚本以及模型推理脚本。整套工具链涵盖了完整的自定义物体检测流程。
     
  • Object-Detection-Flask-API: Python中的简单YOLOv3对象检测Flask API
    优质
    本项目提供了一个基于Python的简易YOLOv3物体检测框架，并将其封装为Flask接口，便于Web应用集成。 Python（Flask）中的简单YOLOv3对象检测API 该存储库提供了使用Python实现的简单的物体检测，并利用了Flask作为API框架。它基于YOLOv3物体检测系统，我们将在COCO数据集上使用预训练权重进行模型部署。 安装步骤如下： 1. 克隆仓库并安装所需依赖。 注意：这里采用的是Windows操作系统和Pip工具来进行软件包的管理与安装，请先单独下载和配置pytorch库。由于不同环境下的命令可能有所区别，建议查看本地快速入门部分提供的具体指令进行操作。例如，在我的环境中，我执行了以下命令： ``` pip install torch==1.5.0+cpu torchvision==0.6.0+cpu -f https://download.pytorch.org/whl/torch_stable.html git clone git@github.com:yankai364/Object-Detection-Flask-API.git ```
     
  • Regionlets in Generic Object Detection
    优质
    本文提出了Regionlets方法用于通用目标检测，通过在候选区域内部进行细致划分，显著提升了检测算法的准确性和鲁棒性。 Regionlets for Generic Object Detection 是一种用于通用对象检测的技术方法。这种方法旨在提高在不同场景下识别各种物体的准确性与效率。通过生成候选区域（region proposals），它能够有效减少计算复杂度，同时保持较高的召回率，从而实现对图像中目标的有效定位和分类。
     
  • cattle (cow) object detection dataset
    优质
    Cattle (Cow) Object Detection Dataset 是一个专为识别图像中奶牛设计的数据集，包含大量标记图片，适用于训练和评估物体检测模型。 基于COCO 2014与VOC 2017数据集提取出来的牛（cow）单一种类的目标检测数据集，包含4110张各种场景下的cow图片，可用于cow的目标检测识别以及个体统计。该数据集格式符合yolo系列的voc格式，可以直接使用。
     
  • UFO for Salient Region Detection: Uniqueness, Focusness and Object...
    优质
    本文提出了一种新颖的显著目标检测方法UFO，结合了独特性、聚焦性和对象先验信息，提升了显著区域定位精度和鲁棒性。 2013年ICCV的一篇关于显著性检验的论文源代码。
     
  • You Only Look Once: Real-Time Unified Object Detection
    优质
    You Only Look Once (YOLO)是一种实时目标检测算法，能够统一进行物体识别与定位，显著提升了速度和精度，适用于多种场景。 Yolo的PPT详细讲解包括对YOLO（You Only Look Once）算法的基本概念、工作原理以及在目标检测领域的应用进行全面解析。内容涵盖YOLO的不同版本及其改进之处，同时也会探讨该技术的优点与局限性，并提供实际案例分析来加深理解。
     
  • Deep Learning for Image Processing: Including Classification and Object Detection
    优质
    本书深入探讨了深度学习在图像处理领域的应用，重点介绍了分类和目标检测技术，为读者提供了理论与实践相结合的学习资源。 本教程旨在总结本人在研究生期间的研究成果，并分享给更多有需要的学习者。随着学习的深入，我也会不断更新内容与大家分享。 教学流程如下： 1）介绍网络结构及其创新点； 2）使用Pytorch搭建并训练模型； 3）利用Tensorflow（内置Keras模块）进行相同操作； 教程将涵盖以下主题： 图像分类部分包括：LeNet、AlexNet、VggNet、GoogLeNet、ResNet、ResNeXt 、MobileNet和ShuffleNet等经典网络结构，以及最新的EfficientNet。 目标检测篇则会讲解Faster-RCNN/FPN, SSD/RetinaNet 和 YOLOv3 SPP等相关技术。
     
  • Real-Time Object Detection via You Only Look Once Unified.pdf
    优质
    本文介绍了You Only Look Once (YOLO)统一模型，一种实时目标检测算法，实现了在准确性和速度上的良好平衡。 You Only Look Once Unified, Real-Time Object Detection.pdf 这篇文章介绍了YOLO（You Only Look Once）算法的统一实时目标检测方法。该论文提出了一种新颖的目标检测框架，能够在一次扫描中完成分类与定位任务，从而实现快速且精确的对象识别。这种方法显著提高了目标检测的速度和准确性，在计算机视觉领域具有重要应用价值。