注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. coco数据处理方法

  2. coco数据转化脚本Licensed under the Simplified BSD License [see bsd.txt]

  3. 所属分类：机器学习

    • 发布日期：2020-06-24
    • 文件大小：456kb
    • 提供者：weixin_41054702

  1. yolov5_mytest-源码

  2. 该存储库代表Ultralytics对未来的对象检测方法的开源研究，并结合了在匿名客户数据集上数千小时的培训和发展过程中汲取的经验教训和最佳实践。所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。使用风险自负。 ** GPU速度使用批处理大小为32的V100 GPU测量超过5000张COCO val2017图像的每幅图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。来自EfficientDet数据（批量大小为8）。 2021年1月5日： ：nn.SiL

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：18mb
    • 提供者：weixin_42116734

  1. yolov5-master-源码

  2. 该存储库代表了Ultralytics对未来对象检测方法的开源研究，并结合了我们在以前的YOLO存储库上在自定义客户端数据集上训练成千上万个模型而获得的经验教训和最佳实践。 所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。 使用风险自负。 ** GPU速度使用批处理大小为32的V100 GPU测量超过5000张COCO val2017图像的平均每张图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。 来自EfficientDet数据（批量大小为8）。 2

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：374kb
    • 提供者：weixin_42102634

  1. yolo_rddc-源码

  2. 该存储库代表Ultralytics对未来的对象检测方法的开源研究，并结合了在匿名客户数据集上数千小时的培训和发展过程中汲取的经验教训和最佳实践。 所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。 使用风险自负。 ** GPU速度使用批处理大小为32的V100 GPU测量超过5000张COCO val2017图像的每幅图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。 来自EfficientDet数据（批量大小为8）。 2021年1月5日： ：nn.S

  3. 所属分类：其它

  1. yolo5条形码-源码

  2. 该存储库代表Ultralytics对未来的对象检测方法的开源研究，并结合了在匿名客户数据集上数千小时的培训和发展过程中汲取的经验教训和最佳实践。 所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。 使用风险自负。 ** GPU速度使用批处理大小为32的V100 GPU测量超过5000张COCO val2017图像的平均每张图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。 来自EfficientDet数据（批量大小为8）。 2021年1月5日： ：nn

  3. 所属分类：其它

  1. YOLOv4-object：我们修改NMS procecss-源码

  2. YOLOv4-object：对象发现的有效模型和方法 此仓库基于 。 抽象 对象发现是指识别图像中的所有未知对象，这对于机器人系统探索未知环境非常重要。 近年来，基于深度学习方法的物体检测模型在物体分类和定位方面取得了令人瞩目的成就。 但是，这些模型很难处理看不见的环境，因为要详尽地预定义所有类型的对象是不可行的。 在本文中，我们提出了模型YOLOv4-object来通过修改YOLOv4的输出空间和相关的图像标签来识别图像中的所有对象。 在COCO数据集上进行的实验通过实现65.13％的查全率

  3. 所属分类：其它

    • 发布日期：2021-02-10
    • 文件大小：15mb
    • 提供者：weixin_42121412

  1. keras-centernet：具有预先训练模型的CenterNet的Keras实现（非官方）-源码

  2. Keras-CenterNet CenterNet的Keras端口（ ） 抽象 检测将对象识别为图像中与轴对齐的框。 最成功的物体检测器会列举出潜在物体位置的几乎详尽的清单，并对每个物体进行分类。 这是浪费，低效的，并且需要附加的后处理。 在本文中，我们采用了不同的方法。 我们将对象建模为单个点-其边界框的中心点。 我们的探测器使用关键点估计来找到中心点，并回归到所有其他对象属性，例如大小，3D位置，方向，甚至姿态。 我们的基于中心点的方法CenterNet与相应的基于边界框的检测器相比，是

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：15mb
    • 提供者：weixin_42137723

  1. yolov3：PyTorch中的YOLOv3> ONNX> CoreML> TFLite-源码

  2. 通知： 存储库现在分为两个分支： ：与所有模型和方法向前兼容（推荐）。 $ git clone https://github.com/ultralytics/yolov3 # master branch (default) ：向后兼容原始 * .cfg模型（ :warning_selector: 不再维护）。 $ git clone -b archive https://github.com/ultralytics/yolov3 # archive branch ** GPU速度

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：1011kb
    • 提供者：weixin_42121058

  1. yolov5：PyTorch中的YOLOv5> ONNX> CoreML> TFLite-源码

  2. 该存储库代表Ultralytics对未来的对象检测方法的开源研究，并结合了在匿名客户数据集上数千小时的培训和发展过程中汲取的经验教训和最佳实践。 所有代码和模型都在积极开发中，如有更改或删除，恕不另行通知。 使用风险自负。 ** GPU速度使用批处理大小为32的V100 GPU测量超过5000张COCO val2017图像的平均每张图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。 来自EfficientDet数据（批量大小为8）。 2021年1月5日： ：nn

  3. 所属分类：其它

  1. active_data_set:轻量级的Python COCO数据注释和管理系统，侧重于主动学习-源码

  2. 介绍 这个小工具用于管理学习数据集。 它目前支持COCO样式注释，并且已经在我的一些YOLO项目中进行了测试，您可以在这里找到它们： ， 该工具的重点是主动学习，方法是提供编辑可能通过主动学习生成的现有注释的简单工作流程。 当前版本支持使用图像和标签加载现有数据集，并允许您编辑，删除和添加新注释。 该工具重量轻，并使用Python和PySide2框架构建。 方法 该程序会谨慎处理您的数据。 您所有的更改都作为更改保存在数据结构中，这允许两件事： 您可以轻松撤消修改。 它只需要删除数据结构中

  3. 所属分类：其它

    • 发布日期：2021-03-28
    • 文件大小：43kb
    • 提供者：weixin_42165490