1、PascalVOC
xml格式标注文件，标注框格式是xmin，ymin，xmax，ymax
2、COCO
json格式标注文件，通过字段对目标位置和信息进行标注&#

如何使用自己的coco格式数据集
之前看了一篇 https://blog.csdn.net/weixin_43823854/article/details/108980188 实现有点啰嗦，那些class 颜色不用管
data

最近自己写了个模型，采用mmdetection框架去训练coco数据集。由于数据集较大，单卡情况下预计需要一个月时间才能完成1x的训练。这无法容忍，于是采用多卡分布式训练。
首先，第一次

V1：以mask rcnn为基础，基于分割来进行端到端的文本识别。mask分支不仅能预测分割图来分割文本区域还可以预测字符概率图。 V2：在v1基础上在识别部分加入空间注意力以提升框架的文本识别能力。

摘要：
该文提出一种“网路扩展(Network Scaling)”方法，它不仅针对深度、宽度、分辨率进行调整，同时调整网络结果，作者将这种方法称之为Scaled-YOLOv4。
由此得

KITTI 3D目标检测的评估指标
举例 说明 参考 https://blog.csdn.net/qq_39732684/article/details/105762909 四种指标 bbox, bev, 3d, aos 表示: 2D检测框的

基于深度学习yolov5的目标检测算法 使用python flask实现web端实时目标检测与识别 web端目标检测与识别

前言 本篇是mmdetection源码解读第二篇，主要讲解mmdetection是初始化数据类的。本文以coco数据集为例，当然，源码解读不可能面面俱到，重要的是揣摩设计者的思想以及实现过

在人工智能领域，机器学习的效果需要用各种指标来评价。当一个目标检测模型建立好了之后，即模型训练已经完成，我们就可以利用这个模型进行分类识别。那么该如何去评价这个模型的性能呢？ 今天我们从交

import os
import cv2
path"/home/terryn/deep_learning/yolov5-master/output"
path3"/home/terryn/deep_learning/yolov5-master"