人工智能

LabelImg下载
https://github.com/tzutalin/labelImg 解压后得到 环境配置
安装anaconda（安装教程很多不赘述），安装完成后执行下面命令安装依赖
pip

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

CSPNet介绍： 计算机视觉的任务很依赖昂贵的计算资源，提出了跨阶段局部网络（CSPNet）解决以往工作中需要大量推理计算的问题。CSPNet易于实现，并且足够通用&#xf

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

各位CV伙伴估计已经看了很多网上许多关于YOLO1的博客，在这里我推荐路过的朋友可以参考以下链接，有一定基础再来看我的这个博客。因为我参考了前人的知识再做的总结，有些小的基础的概念没有详细解释。
参考

在本部分中，将之前的优达学城的整套目标检测与跟踪算法改写为ros实时处理，但改写完成后利用我现有的数据包实时检测跟踪，并计算TTC，发现效果不尽人意啊。。。算法的鲁棒性整体较差&#xff0

前期工作
[ 1] 需要配置Clion https://blog.csdn.net/weixin_38593194/article/details/85122716 [ 2] 创建ros工作空间和功能包 https://blog.csdn.n

论文名称：Dynamic Refinement Network for Oriented and Densely Packed Object Detection  论文下载：https://arxiv.org/pdf

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