Advertisement

手机玩耍检测与YOLOv5训练模型及3000张数据集

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

简介：
本项目致力于开发手机使用习惯分析工具，利用深度学习框架YOLOv5训练模型，并基于3000张图像数据集优化算法性能。 使用Yolov5进行玩手机检测的项目包括训练好的模型权重、PR曲线以及loss曲线等相关内容。该项目是在一个包含3000多张图片的数据集上完成的，目标类别为“play_phone”，数据集中标签格式有txt和xml两种形式，并且已经用pyqt界面进行了展示。 使用的编程框架是PyTorch，代码语言为Python。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 手机玩耍检测与YOLOv5训练模型及3000张数据集
    优质
    本项目致力于开发手机使用习惯分析工具，利用深度学习框架YOLOv5训练模型，并基于3000张图像数据集优化算法性能。 使用Yolov5进行玩手机检测的项目包括训练好的模型权重、PR曲线以及loss曲线等相关内容。该项目是在一个包含3000多张图片的数据集上完成的，目标类别为“play_phone”，数据集中标签格式有txt和xml两种形式，并且已经用pyqt界面进行了展示。 使用的编程框架是PyTorch，代码语言为Python。
     
  • 基于Yolov5的手机玩耍检测与训练模型+PyQt界面+含3000张图片的数据集
    优质
    本项目开发了一套基于YOLOv5的手机玩耍行为识别系统，并结合PyQt设计了用户交互界面。利用包含3000张图像的数据集进行模型训练，实现了高精度的行为检测功能。 该内容涉及使用YOLOv5进行玩手机行为的检测项目。该项目包括一个训练好的模型权重文件、PR曲线以及loss曲线，并且是在专门针对玩手机行为的数据集上完成训练的，目标类别为“play_phone”，仅包含一种类型。此外，还提供了一个PyQt界面用于图片、视频和实时摄像头输入的检测操作。 数据集中包含了3000多张图像样本，标签格式包括txt和xml两种形式，并且分别存储在不同的文件夹里。整个项目基于Python语言编写并采用PyTorch框架实现。
     
  • YOLOv5行人检测模型训练权重+3000行人数据集 yolov5-6.0-person_detect.zip
    优质
    本资源提供基于YOLOv5版本6.0的人行检测模型训练权重及包含约3000个样本的行人数据集，适用于深度学习项目中的人体识别研究。 1. YOLOv5行人检测训练权重附有各种训练曲线图。 2. 场景为街道、公路的行人检测模型，在一万多数据集上进行训练，准确率超过90%。 3. 类别：person（人）。 4. 数据集中包含3000张多行人的图片，并提供VOC和YOLO两种标签格式。 5. 检测结果及数据集详情请参考相关博客文章。
     
  • YOLOv5车辆行人检测及训练模型+5000张相关数据集
    优质
    本项目提供基于YOLOv5的先进车辆与行人检测解决方案，包含精心标注的5000张图片数据集，旨在优化智能交通系统的实时监控和安全性能。 YOLOv5车辆行人检测项目包含两种预训练模型：Yolov5s和Yolov5m，用于识别交通场景中的行人（person）和汽车（car）。这些模型在超过一万张图像的数据集上进行训练，并达到了90%以上的map值。此外，该项目还提供了一个基于PyQt的用户界面以及PR曲线、loss曲线等性能评估图表。 数据集中包括了大约5,000张用于测试目的的行人和车辆图片，标签格式为txt和xml文件，分别存储在不同的目录中。
     
  • YOLOv5西红柿检测及预训练模型与数据集
    优质
    简介：本项目基于YOLOv5框架开发了针对西红柿的精准检测模型，并提供了相应的预训练模型和数据集，适用于农业监控、产量估计等场景。 使用Yolov5进行西红柿检测的项目包括了两种预训练模型：yolov5s 和 yolov5m，它们是在一个包含1000多张图片的数据集上训练得到的，目标类别为toamto（番茄），共有一个类别。数据集中还包含了标签文件，格式分别为txt和xml，并分别保存在两个不同的文件夹中。 该项目采用PyTorch框架并使用Python代码实现。
     
  • 手机检测模型YOLOv5+一万张图片数据集-yolov5-6.0-phone-1022.zip
    优质
    该资源提供了一个基于YOLOv5版本6.0的手机检测模型，训练数据包含超过一万张图像。下载者可直接获取预训练权重用于手机目标检测任务。 使用YOLOv5进行玩手机检测，在真实场景的高质量图片数据上训练得到两个模型：yolov5s-phone.pt 和 yolov5n-phone.pt，其mAP值超过90%。 另外有一个包含10,000多张图片的数据集，这些图片通过LableImg标注软件在真实场景中进行高质量标注。标签有两种格式，分别是VOC和另一种未具体说明的格式，并分别保存在两个不同的文件夹内。该数据集可以直接用于玩手机行为的识别。
     
  • YOLOv5西红柿检测与训练模型结合PyQt界面及数据集
    优质
    本项目基于YOLOv5开发了专门针对西红柿的识别与训练模型，并通过PyQt构建用户友好的交互界面，配合专用数据集优化性能。 这段内容描述了一个基于YOLOv5的西红柿检测项目。该项目包含两个预训练模型（yolov5s 和 yolov5m），使用了一千多张图片的数据集进行训练，数据集中包含了txt和xml格式的标签文件，并且提供了一个PyQt界面用于图像、视频及摄像头输入的目标检测。 具体来说： 1. 该系统利用YOLOv5框架进行了西红柿（目标类别为toamto）的识别与定位。 2. 模型权重是在一个包含多种场景下拍摄的一千多张图片的数据集上训练得到，数据集中标签文件分别保存在两个独立的目录中：一种是txt格式，另一种则是xml格式。 3. 项目提供了一个基于PyQt开发的应用界面。用户可以通过该界面进行图像、视频及调用摄像头实时检测西红柿目标。 整个系统采用Python编写，并依赖于PyTorch深度学习框架实现训练和推理过程。
     
  • 基于YOLOv5的不同颜色安全帽检测与训练模型结合PyQt界面及3000条数据集
    优质
    本项目采用YOLOv5框架进行不同颜色安全帽的精准识别和分类，并融合PyQt开发用户界面，利用包含3000条样本的数据集进行高效训练。 该项目基于YOLOv5框架开发了一种不同颜色安全帽的检测系统，并提供了训练好的权重文件用于识别红、黄、蓝等多种颜色的安全帽以及未正确佩戴的情况（共五个类别）。项目中包含了一个使用PyQt创建的用户界面，支持图片、视频和实时摄像头输入的目标检测功能。此外还附带了数据集及其标签格式，包括3000多张不同颜色安全帽的数据样本，并提供了txt和xml两种类型的标注文件以供参考。 该项目采用Python编程语言编写，在PyTorch框架下实现。
     
  • 基于YOLOv5的行人检测及训练完成的行人检测模型与数据集
    优质
    本研究采用YOLOv5框架开发了高性能的行人检测系统，并完成了相应的大规模数据集训练。该模型在准确率和实时性上表现出色，适用于各类应用场景。 YOLOV5行人检测模型在包含数千张街道和交通场景的行人数据集上训练完成，并附有该数据集。使用lableimg软件标注工具对行人进行了标记，图片格式为jpg，标签有两种形式：xml格式与txt格式，分别保存于两个不同的文件夹中，类别名称统一为person。此模型可以直接用于YOLO系列的行人检测任务，在map指标上达到了90%以上。
     
  • YOLOv5火焰与烟雾检测：含预训练模型、数据集及PyQt界面
    优质
    本项目提供基于YOLOv5的实时火焰与烟雾检测系统，包括预训练模型和标注数据集，并配备直观的PyQt图形用户界面。适合火灾预防监控应用。 YOLOv5训练好的火焰烟雾检测模型包括yolov5s-fire_smoke.pt和yolov5m-fire_smoke.pt两个预训练模型，并包含几百张标注好了的火焰与烟雾数据集，标签格式为xml和txt两种，类别分别为fire和smoke。此外还有一个QT界面并采用pytorch框架，代码是用python编写的。