基于yolov5和大疆教育无人机TelloTT实现目标识别测距追踪源码+训练好的模型数据.zip提供训练好的模型，调用方法如下： 模型加载 model = DetectApi(weights=['.\yolov5_new\weights\best.pt'], nosave=False) 目标检测 img_path = '.\img\20.jpg' #待检测图片 res = model.detect(source=img_path) print(res) #显示检测结果 识别后的结果默认存放在yolov5_new/runs/detect/exp*文件夹下 基于yolov5和大疆教育无人机TelloTT实现目标识别测距追踪源码+训练好的模型数据.zip提供训练好的模型，调用方法如下： 模型加载 model = DetectApi(weights=['.\yolov5_new\weights\best.pt'], nosave=False) 目标检测 img_path = '.\img\20.jpg' #待检测图片 res = model.detect(source=img_path) pr

深入研究了流行的目标识别方法YOLOv3，将Inception模块融入其特征提取网络darknet-53中，从而得到新网络darknet-139。相比YOLOv3特征提取网络，新网络具有更好的特征提取能力。采集并制作算法所需的数据集，分别在YOLOv3和本文算法上进行训练并测试。实验结果表明，相比YOLOv3，本文算法的平均识别率提升了约2%。

1、基于深度学习opencv实现电单车识别检测源码+模型(6800多个目标数据训练)+评估指标曲线+操作使用说明 2、模型文件使用含有6800+个目标数据集训练，训练集大且多样性充足 3、附有训练、loss(损失值)下降曲线、Recall(召回率)曲线、precision(精确度)曲线、mAP等评估指标曲线 4、迭代200次，模型拟合较好。 5、识别一个类别：“电单车” 【备注】有相关使用问题，可以私信留言跟博主沟通。

1、基于yolov5算法实现跌倒识别检测告警源码+模型文件+评估指标曲线+使用说明 2、附有训练、loss(损失值)下降曲线、Recall(召回率)曲线、precision(精确度)曲线、mAP等评估指标曲线 3、迭代200次，模型拟合较好。 4、识别一个类别，“跌倒” 【备注】有相关使用问题，可以私信留言跟博主沟通。

1、基于yolov5算法实现煤气罐识别检测源码+模型文件+评估指标曲线+使用说明 2、附有训练、loss(损失值)下降曲线、Recall(召回率)曲线、precision(精确度)曲线、mAP等评估指标曲线 3、迭代200次，模型拟合较好。 【备注】有相关使用问题，可以私信留言跟博主沟通。

1、基于yolov5算法实现绝缘子缺陷识别检测源码+模型文件+评估指标曲线+使用说明 2、附有训练、loss(损失值)下降曲线、Recall(召回率)曲线、precision(精确度)曲线、mAP等评估指标曲线 3、迭代200次，模型拟合较好。 4、识别检测1个类别：“绝缘子” 【备注】有相关使用问题，可以私信留言跟博主沟通。

1、数据集图片一共1316张，未做数据增强，标签格式有两种，分别为voc格式(xml文件)和yolo格式(txt文件)，下载后需要做数据增强的，可以私信我。 2、数据集亲自收集、爬取，亲手标注，质量还不错。 3、该数据集属于目标检测数据集，可以筛选出制作分类数据集。 备注：使用过程有问题可以私信我

为了准确提取图像中目标特征，结合靶标的尺寸和特征信息提出了一种基于全局信息的方法。利用霍夫变换(HT)确定图像中包含靶标的目标区域；在目标区域中提取靶标上不同特征区域的中心；利用提取的中心拟合靶标在图像中所占区域的圆心和半径；完成图像上各区域与靶标上对应区域的匹配。实验证明该方法能够有效、准确的提取图像中靶标的特征，实验室内实验中靶标上特征区域中心提取精度为0.09 pixel，实验室外提取精度为0.12 pixel。在序列图像处理时,利用前一帧图像的结果可以有效降低计算量，提高提取精度。

摘 要 ： 针对海天背景下红外舰船目标识别提出了一种基于机器学习的分类算法。 该算法首先利用分 割 算法提取红外图像中的连通区域,并对原图相应的位 置进行标记和归一 化处理 ,然后利 用HOG 特 征提 取 标记 区域 的 高维特 征 向量 ，用线 下样 本库 训 练得 到 的 SV M 分 类器 对所提 取 的 HOG 特 征 进行 高维特征 空间的分类 ，识别 目标和干扰。 仿真实验表明 ，该算法具有 良好的性能，在复杂海天干扰背景下能够有效地识别红外舰船目标 。

复杂环境下目标识别的智能数据融合技术研究