Advertisement

基于YOLOv3的无人机空中检测及预训练模型与数据集

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

简介：
本研究利用改进的YOLOv3算法进行无人机空中目标检测，并构建了特定领域的预训练模型和数据集，以提高检测精度和效率。 YOLOv3无人机视觉检测项目包含训练好的无人机检测权重以及PR曲线、loss曲线等数据。该项目在专门的无人机检测数据集上进行训练，目标类别为drone（仅一个类别）。此外，还包括标注好的无人机数据集，格式包括txt和xml两种。检测结果可以参考相关文章内容。 该系统采用pytorch框架，并提供完整的python代码实现。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于YOLOv3的无人机空中检测及预训练模型与数据集
    优质
    本研究利用改进的YOLOv3算法进行无人机空中目标检测，并构建了特定领域的预训练模型和数据集，以提高检测精度和效率。 YOLOv3无人机视觉检测项目包含训练好的无人机检测权重以及PR曲线、loss曲线等数据。该项目在专门的无人机检测数据集上进行训练，目标类别为drone（仅一个类别）。此外，还包括标注好的无人机数据集，格式包括txt和xml两种。检测结果可以参考相关文章内容。 该系统采用pytorch框架，并提供完整的python代码实现。
     
  • 基于YOLOv3的道路裂缝检测及训练好的模型与数据集
    优质
    本研究利用改进的YOLOv3算法进行道路裂缝检测，并提供训练完成的模型和数据集。旨在提高裂缝识别精度，保障道路安全。 YOLOv3训练好的道路裂缝检测模型包含1000多张标记的数据集，标签格式为xml和txt两种。配置好环境后可以直接使用。 数据集和检测结果的参考可以参见相关文献或报告。该模型采用pytorch框架，代码是用python编写的。
     
  • RetinaFace的PyTorch人脸检测训练代码及预训练模型，基于WIDERFACE数据集
    优质
    本项目提供RetinaFace的人脸检测PyTorch训练代码和预训练模型，适用于研究与开发。训练过程采用WIDERFACE数据集，实现高精度的人脸定位、关键点检测等功能。 1. 提供了基于Pytorch的人脸检测SOTA算法RetinaFace模型的代码实现； 2. 训练数据集可通过网盘下载链接获取，并将其解压到指定目录以运行训练代码； 3. 下载数据集后，通过运行train.py脚本可以开始训练过程，默认配置使用mobilenet网络架构。如需更改，请在train.py中将parser参数修改为resnet进行训练； 4. 提供了预训练好的mobilenet模型pth文件，可以直接用于测试或推理任务。
     
  • 基于Yolov5的无人机视觉检测及预训练模型与PyQt界面
    优质
    本项目采用Yolov5算法实现无人机视觉检测，并开发了集成预训练模型的PyQt图形用户界面，旨在提升目标识别效率和用户体验。 本项目使用YOLOv5进行无人机视觉检测，并包含训练好的模型权重及PR曲线、loss曲线等相关数据。该模型是在一万多张图像的数据集中训练得到的，目标类别为“drone”，共1个类别。此外，还提供了一个基于PyQt界面的应用程序，支持图片、视频和摄像头调用等多种检测方式。该项目采用PyTorch框架，并使用Python编写代码。
     
  • 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。
     
  • 用于Yolov3人脸口罩检测的训练数据集
    优质
    本数据集专为YOLOv3设计，包含大量标注的人脸及口罩图像，旨在提升模型在不同场景下准确识别佩戴与未佩戴口罩状态的能力。 我找了这个数据包很久，但由于一些原因无法下载。后来托远方的朋友帮忙下载，在这里分享给大家。
     
  • 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。
     
  • Yolov3口罩检测训练数据集
    优质
    本数据集专为基于YOLOv3的目标检测模型设计，包含大量标注了人脸及口罩佩戴情况的图像，旨在提升模型在不同场景下识别和定位戴口罩人员的能力。 我已经使用Yolov3训练完成了一个包含大约4000个样本的数据集，并用它来进行学习。
     
  • YOLOv7水下垃圾检测及预训练模型与数据集
    优质
    本项目基于YOLOv7框架开发，专注于水下环境中的垃圾检测。提供预训练模型和专用数据集，旨在促进水下环保领域的研究与应用。 YOLOv7水下垃圾检测项目包括训练好的模型权重以及PR曲线、loss曲线等相关数据。该项目使用了VOC格式的水下垃圾检测数据集，包含几千张通过lableimg软件标注的真实场景高质量图片，图片为jpg格式，并且标签以VOC和yolo两种格式保存在不同的文件夹中。这些图像涵盖了多种类型的海洋垃圾，包括金属、木头、塑料、橡胶和布料等多个类别目标。数据集中包含了丰富的不同场景的样本。
     
  • 基于YOLOv5的水下垃圾检测及预训练模型与标注数据集
    优质
    本研究基于YOLOv5框架开发了专门用于识别和定位水下垃圾的系统，并构建了一个包含大量标注图像的数据集，同时提供了预训练模型以促进进一步的研究。 YOLOv5用于水下垃圾检测的项目包括训练好的模型权重以及PR曲线、loss曲线等相关结果数据。该项目使用了VOC格式的水下垃圾检测数据集，包含几千张通过lableimg标注软件标记的真实场景高质量图片，图片格式为jpg。标签以两种不同格式保存：一种是VOC格式，另一种是yolo格式，并分别存放于两个不同的文件夹中。 该数据集中包括多种类型的海洋垃圾图像，如金属、木头、塑料、橡胶和布料等类别目标的检测样本。这些数据集覆盖了丰富的场景变化，能够为水下环境中的垃圾分类提供全面的数据支持。