Advertisement

基于Visdrone数据集的YOLOv5版本5.0训练成果_yolov5-5.0.rar

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

简介：
本资源提供基于Visdrone数据集训练的YOLOv5版本5.0模型文件，适用于无人机检测场景，包含预训练权重和配置文件。 在Visdrone数据集上使用YOLOv5进行训练的结果包括两个模型：YOLOv5s和yolov5m；包含各种训练曲线和测试视频，并附上了yolov5-5.0的代码，配置好环境后可以直接运行。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于Visdrone数据集的YOLOv5版本5.0训练成果_yolov5-5.0.rar
    优质
    本资源提供基于Visdrone数据集训练的YOLOv5版本5.0模型文件，适用于无人机检测场景，包含预训练权重和配置文件。 在Visdrone数据集上使用YOLOv5进行训练的结果包括两个模型：YOLOv5s和yolov5m；包含各种训练曲线和测试视频，并附上了yolov5-5.0的代码，配置好环境后可以直接运行。
  • Visdrone数据集上训练的YOLOv5-v5.0模型权重(yolov5-5.0-visdrone.zip)
    优质
    这段简介可以这样写：yolov5-5.0-visdrone.zip包含了在VisDrone数据集上经过充分训练的YOLOv5版本5.0模型权重，适用于无人机相关的视觉任务。 Visdrone数据集YOLOv5训练权重包括两个模型：YOLOv5s-visdrone.pt 和 yolov5m-visdrone.pt，还包括各种训练曲线、相关场景测试视频以及yolov5-5.0的代码。
  • 基于Visdrone数据集的YOLOv5模型训练成果-版本5.zip
    优质
    本资料包包含基于Visdrone数据集进行优化后的YOLOv5模型训练成果，为无人机视觉领域的目标检测提供高性能解决方案。 Visdrone数据集上使用YOLOv5s和YOLOv5m两个模型进行训练，每个模型都训练了300个epochs。YOLOv5是第五个版本，并提供了相关场景下的测试视频供下载。如果有需要可以联系获取这些资源。
  • 基于YOLOv5的VisDrone数据集训练
    优质
    本项目采用先进的YOLOv5算法，在大规模VisDrone数据集上进行目标检测模型训练与优化，旨在提高复杂场景下的检测精度和速度。 使用yolov5训练visdrone数据集。
  • 基于Visdrone数据集的YOLOv7训练结果分析
    优质
    本研究使用Visdrone数据集对YOLOv7模型进行训练，并对其性能进行了详细分析。通过对比实验，探讨了模型在无人机检测任务中的有效性与局限性。 在Visdrone数据集上使用YOLOv7进行训练的结果包括：训练完成的模型；各种训练曲线和测试视频；附上了YOLOv7的代码，在配置好环境后可以直接运行。
  • 基于Visdrone数据集的YOLOv5训练权重及PyQt界面
    优质
    本项目利用Visdrone数据集对YOLOv5模型进行优化训练，并开发了基于PyQt的用户界面，旨在提高无人机视频中目标检测的准确性和实用性。 使用YOLOv5进行俯视场景下的车辆行人检测视觉分析，包括两种预训练模型（YOLOv5s和YOLOv5m）以及visdrone数据集的权重文件、PR曲线及loss曲线等信息。该系统配备有pyqt界面，能够识别图片中的车辆和行人。 此外，通过此pyqt界面可以实现对视频或直接从摄像头获取的画面进行实时检测与分析。整个项目基于Pytorch框架，并采用Python语言编写代码。
  • Yolov5 5.0版本知识蒸馏训练源码及使用指南（含自定义数据训练）.tar
    优质
    本资源提供YOLOv5 5.0版本的知识蒸馏训练源代码及相关文档，内含自定义数据集的训练方法和配置说明。 资源说明：yolov5_5.0版本知识蒸馏训练源码+使用说明（支持训练自己数据）.tar 文件包含： - yolov5_5.0版本的知识蒸馏训练源码 - 使用说明文档，支持用户利用该代码进行自定义数据集的训练
  • 训练好的YOLOv5口罩检测模型 yolov5-master-5.0-mask.rar
    优质
    本资源提供一个基于YOLOv5架构、专门用于口罩佩戴情况检测的预训练模型。该模型能够高效准确地识别图像中的人脸及其口罩佩戴状态，适用于疫情防控等多种场景下的应用需求。下载后请解压文件yolov5-master-5.0-mask.rar进行使用。 训练好的YOLOv5口罩检测模型，在配置好环境后可以直接运行。使用几千张数据进行了150轮的训练，最终得到的权重文件使得mAP达到了90%以上。PR曲线等图保存在runs文件夹中。配置好YOLOv5的环境之后就可以直接进行数据集和检测结果的操作了。
  • OntoNotes-5.0-NER-BIO：基于OntoNotes 5.0版本的BIO格式命名实体识别数据集
    优质
    本数据集采用OntoNotes 5.0资源，提供大规模、高质量的BIO标注文本，涵盖人名、地名、组织机构等各类实体，适用于训练和评估命名实体识别模型。 OntoNotes-5.0-NER-BIO 是基于CoNLL-2003格式，并应用了OntoNotes 5.0版本的命名实体识别（NER）BIO标记方案。此格式化版本依据相关说明和在此存储库中开发的新脚本构建而成。简言之，Yuchen Zhang 和 Zhi Zhong 在 CoNLL 2013 年提出了针对 OntoNotes 5.0 数据集的训练-验证数据划分，并提供了将其转换为CoNLL 2012格式的脚本。然而，这些结果并未采用BIO标记方案，因此无法直接用于许多序列标注架构中（如BLSTM-CRF）。此存储库通过简化预处理过程并生成BIO格式的数据，使得实验更为便捷。步骤一：获取官方数据。