Advertisement

YOLOv5车辆行人检测及训练权重文件与数据集

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

简介：
简介：本项目提供基于YOLOv5模型的车辆和行人检测解决方案，包含预训练权重、优化的数据集及相关代码，适用于快速部署和二次开发。 1. YOLOv5车辆行人检测模型附带各种训练曲线图，并可通过tensorboard打开训练日志文件，mAP值达到90%左右。 2. 该资源包含一个用于车辆行人检测的数据集，标签格式包括VOC和YOLO两种类型。数据集中的人、车类别名称分别为person和car，图像数量约为1万张。 3. 数据集与模型的详细信息可在相关博客文章中找到。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • YOLOv5车辆行人检测及训练权重文件与数据集
    优质
    简介：本项目提供基于YOLOv5模型的车辆和行人检测解决方案，包含预训练权重、优化的数据集及相关代码，适用于快速部署和二次开发。 1. YOLOv5车辆行人检测模型附带各种训练曲线图，并可通过tensorboard打开训练日志文件，mAP值达到90%左右。 2. 该资源包含一个用于车辆行人检测的数据集，标签格式包括VOC和YOLO两种类型。数据集中的人、车类别名称分别为person和car，图像数量约为1万张。 3. 数据集与模型的详细信息可在相关博客文章中找到。
     
  • 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。
     
  • YOLOv7车辆行人检测及训练模型+5000车辆行人检测数据集
    优质
    简介：本项目提供YOLOv7算法在车辆和行人检测中的应用与训练模型，并包含一个涵盖5000个样本的数据集，适用于深度学习研究者进行目标检测的实验。 该车辆行人检测项目基于YOLOv7模型进行开发，并已使用包含一万多张交通场景图像的数据集完成训练。数据集中包括5000多张额外的测试图片，标签格式为txt和xml两种文件类型，分别保存在两个不同的文件夹中。目标类别共有2个：person（行人）和car（车辆）。经过充分训练后，模型达到了90%以上的mAP值，并提供了PR曲线、loss曲线等评估结果以供参考。 该项目采用了PyTorch框架进行实现，所有代码均为Python编写。
     
  • 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。
     
  • 基于Yolov5-DeepSort的VisDrone数据车辆检测与跟踪（含俯视视角及训练权重）
    优质
    本项目采用Yolov5和DeepSort算法对VisDrone数据集中的车辆进行精准检测与跟踪，同时提供俯视视角展示功能，并开放训练权重供研究者使用。 使用yolov5-deepsort在俯视场景下进行visdrone数据集中的车辆检测与跟踪。包含YOLOv5训练好的visdrone数据集权重以及各种训练曲线，可以生成目标运动轨迹。整个项目基于pytorch框架，并采用python代码实现。 结果参考如下博客文章：https://blog..net/zhiqingAI/article/details/124230743（原文中包含的链接，请删除以符合要求）
     
  • YOLOv5摩托车、汽车和公交车检测模型+预训练权重+数据集
    优质
    本项目提供了一个基于YOLOv5的深度学习模型，专门用于检测摩托车、汽车及公交车。包含预训练权重与相关数据集，便于快速部署和二次开发。 使用YOLOv5进行摩托车与汽车检测的项目包括训练好的摩托车检测模型权重、PR曲线、loss曲线等内容，并且在特定数据集上达到了90%以上的mAP值。该数据集中包含car（汽车）、bus（公交车）和motorbike（摩托车）这三类目标，标签格式为txt和xml两种文件类型，分别保存于不同的文件夹中。 该项目采用PyTorch框架编写并使用Python代码实现。
     
  • 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车辆行人检测模型训练+PyQt界面展示+5000张图像数据集
    优质
    本项目基于YOLOv5深度学习框架开发，利用5000张图像数据集进行车辆与行人的检测模型训练，并结合Python的PyQt库构建用户界面，实现结果可视化。 本项目基于YOLOv5进行车辆与行人检测，提供两种训练好的模型权重：yolov5s和yolov5m，涵盖PR曲线、loss曲线等内容，并在包含一万多张交通场景数据集上进行了训练，平均精度（map）达到90%以上。目标类别包括person和car共两个类别，并附带了超过五千张行人车辆检测的数据集，标签格式为txt和xml两种文件类型。 项目采用PyQt界面设计，支持图片、视频以及调用摄像头进行实时检测等功能，具备相应的选择项以方便用户操作。 数据集及具体训练结果可参考相关文章。整个系统基于pytorch框架开发，并使用Python语言编写代码实现。
     
  • 基于YOLOv5的车辆检测实现（附数据集与训练代码）
    优质
    本项目采用YOLOv5框架进行车辆目标检测，包含详尽的数据集及训练代码，旨在提供一个高效、准确的目标检测解决方案。 YOLOv5实现车辆检测包括了使用特定的车辆检测数据集以及编写训练代码。相关细节可以在博客文章《128099672》中找到，其中详细介绍了如何利用YOLOv5进行高效的车辆识别工作。