Advertisement

Yolo3模型用于物体检测的压缩文件。

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

简介：
华为云开发者青年班的AI实战营中，提供了Yolo3物体检测的数据代码和Notebook资源。具体代码内容详见：https://blog..net/wwt72/article/details/106101707

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • Yolo3物体检测的源代码
    优质
    该简介对应的是一个基于YOLOv3算法的物体检测项目。该项目提供了完整的YOLOv3模型源代码，支持多种目标识别任务，并且易于用户进行定制和优化以适应不同的应用场景。 基于Keras和TensorFlow的物体检测Python源代码，可以直接使用。
     
  • 笔记本：Yolo3物体检测.zip
    优质
    本项目提供了一个基于YOLOv3算法的物体检测解决方案，并实现于笔记本电脑环境中，适用于快速、高效的图像和视频分析任务。 华为云开发者青年班的AI实战营提供了Yolo3物体检测的数据代码及Notebook资源。具体内容可以参考相关博客文章中的描述。
     
  • Yolov3.h5：物体检测模型
    优质
    Yolov3.h5是一款基于YOLOv3算法的高效物体检测模型，适用于多种场景下的实时目标识别任务，性能卓越。 yolov3.h5是一个预训练好的YOLO模型，可用于测试和预训练。
     
  • Onnx Yolov8 Detect.rar 物体检测模型
    优质
    ONNX Yolov8 Detect模型提供高效的物体检测能力，适用于多种应用场景。该压缩包内含优化后的YOLOv8版本，在保持高精度的同时大幅提升了运行效率，特别适合资源受限的环境部署。 C# Onnx Yolov8 Detect 物体检测自带模型，可以直接运行。相关介绍在博客文章中有详细说明。
     
  • ResNet152模型的压缩文件.zip
    优质
    本压缩文件包含了一个基于深度学习的经典模型——ResNet152的权重参数及相关配置信息。该资源适用于图像识别和分类任务的研究与应用开发。 来自download.pytorch.org/models的resnet152(pretrained=True)模型。
     
  • SSD-MobileNet模型的实时物体检测.txt
    优质
    本文介绍了SSD-MobileNet模型，一种轻量级且高效的深度学习算法，在保证准确度的同时大幅提升了物体检测任务中的实时性。 这段内容包含了MobileNetSSD_deploy.caffemodel、MobileNetSSD_deploy.prototxt文件以及基于SSD-MobileNet模型的实时对象检测源码和视频素材。具体实现效果可以在相关博客文章“DNN系列4_SSD-MobileNet模型实时对象检测”中查看。
     
  • bert-base-chinese模型的压缩文件.zip
    优质
    该压缩文件包含经过训练的BERT-Base中文模型，适用于自然语言处理任务，如文本分类、问答系统等。 来源于 Hugging Face 官方的中文 BERT 模型，可通过 Transformers 库加载。该模型已上传至国内服务器，方便大家下载。官方地址为 https://huggingface.co/bert-base-chinese/tree/main。
     
  • ssd_mobilenet_v1_coco_2017_11_17模型文件压缩包RAR版
    优质
    简介：此RAR压缩包内含基于SSD框架与MobileNetV1骨干网络，用于COCO数据集目标检测任务的预训练模型，日期为2017年11月17日。 TensorFlow模型可以提供给OpenCV等工具使用。
     
  • 压缩气体仿真模型_CaES_ShakingK8X_储能_压缩空气_Simulink
    优质
    本项目基于Simulink平台开发，构建了CaES ShakingK8X压缩空气储能系统的仿真模型，用于研究和优化压缩气体储能技术。 压缩空气储能仿真Simulink模型适用于MATLAB 2017及以上版本。
     
  • 基于FPGA的物体检测
    优质
    本项目采用FPGA技术实现高效的物体检测算法硬件加速，旨在提高计算效率和实时性能，适用于智能监控、自动驾驶等应用场景。 本系统提供了两种实现目标跟踪的方法：一种是通过包盒子技术来框选目标；另一种方法则是将高空坠物的目标像素设定为红色以作警示。 在第一种方法中，首先需要计算出高空坠物目标的XY坐标，并确定这些坐标的最大值和最小值。然后利用包盒子技术，在这四个极值点之间画一个矩形，并再绘制一个小一点的矩形。将那些大于小矩形且小于大矩形区域的颜色设为红色，则可以实现对目标的有效框选。 第二种方法则是通过帧间差分计算，获得差分图像后进行判断：如果像素值超过预设阈值，则将其颜色设定为红色，从而覆盖并标示出高空坠物的目标位置。 本项目是在Vivado 2018.1上开发的，下载完成后可以直接运行。