Python

随着深度学习的发展，基于深度学习的目标检测方法因其优异的性能已经得到广泛的使用。目前经典的目标检测方法主要包括单阶段(YOLO、SSD、RetinaNet，还有基于关键点的检测方法等)和多阶段方法(Fast RCNN

文件目录
数据集下载：https://www.cityscapes-dataset.com/downloads/ 下载 leftImg8bit_trainvaltest.zip 和 gtFine_trainvaltest.zi

前言 学习过程，记录一下SiamRPN论文每一部分对应代码，以便之后用。 一、SiamRPN and SiamRPN 整体结构
SiamRPN 整体流程为：
template frame和det

类似深度学习中目标检测的深度学习模型中有两个非常重要的性能指标，一个是MAP就是检测的准确率，另一个就是FPS,就是模型的推理速度，那么我们如何能够知道模型和视频的推理速度呢？ 接下来我们

1：数据准备
我说使用的数据是labelme制作的。json文件保存的是对应图片中所有目标的边界点坐标。
但是UNet训练却使用的是原始图像及其对应的二值化掩膜。就像下面这样： 所以需要把labelme输出的

一、前提准备 源码下载 https://github.com/ultralytics/yolov5 YOLOv5 文档： https://docs.ultralytics.com/ yolo v5原理: 深入浅出Yolo系列之Yo

使用环境：
Windows10Raspberry Pi 4BPython ：3.7.3
Windows下使用 AprilTags
在windows中安装 apriltags 库：
pip ins

在使用mmdetecion测试的时候我们可能想得到下面的结果，其实很简单，在test.py 后面加--options "classwiseTrue" 即可。
例如
python tools/test.py ./c

一、准备
1.项目链接
https://github.com/ultralytics/yolov5
2.制作数据集
将标注好的图片放到data/images/train 和data/images/valid 文件夹下，将.

1.检测时，在推理时把视频帧传入gpu中进行推理 2.视频编码格式设置为MJPG 3.换更加轻量级的模型进行识别 4.采用队列的方法，使用生产者消费者的概念进行识别