Advertisement

YOLOv5行人检测模型训练权重+3000行人数据集 yolov5-6.0-person_detect.zip

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

简介：
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。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 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。
     
  • 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。
     
  • 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。
     
  • 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。
     
  • YOLOv5密集行人检测与WiderPerson数据集权重结合+PyQt界面
    优质
    本项目融合了YOLOv5模型与WiderPerson数据集进行优化训练，实现高效密集行人检测，并通过PyQt开发用户友好的交互界面。 WiderPerson数据集是用于拥挤场景下行人检测的基准数据集。使用yolov5训练得到的WiderPerson行人检测模型，其输入尺寸为640x640，并附有txt格式和xml格式的数据文件。检测结果可以参考相关文献或博客文章。采用pytorch框架，代码是用Python编写的。
     
  • 基于YOLOv5的飞机检测模型训练+权重+数据集+PyQt界面
    优质
    本项目基于YOLOv5框架开发了一套高效的飞机检测系统，包含详尽的数据集与预训练权重，并配以用户友好的PyQt图形界面。 使用YOLOv5训练飞机检测模型，并包含已标注的飞机数据集。标签格式为xml和txt两种，类别名为aeroplane。采用pytorch框架，代码是用Python编写的。该系统还配备了一个QT界面，可以用于检测图片、视频以及调用摄像头进行实时检测，提供相应的选择项。
     
  • 基于YOLOv5的行人检测模型训练与PyQt界面展示+标注数据集
    优质
    本项目采用YOLOv5算法进行行人检测模型训练，并结合PyQt开发图形用户界面展示结果；同时包含用于训练的数据集及标注信息。 YOLOV5行人检测模型基于在数千张街道和交通场景的行人数据集上训练得到的权重。该数据集包含各种训练曲线图，并使用lableimg软件标注工具进行标注，图片格式为jpg，标签有两种形式：xml格式和txt格式，分别保存在两个不同的文件夹中，类别名为person；可以直接用于YOLO系列模型中的行人检测。 此外，该项目还提供了一个基于PyQt的界面，可以用来检测图片、视频以及调用摄像头，并且提供了相应的选择项。整个项目采用pytorch框架编写，代码为Python语言。
     
  • 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。