17flowers.zip

花卉分类数据集

VOCdevkit.zip

VOC2007数据集

3D_notes.rar

SLAM相关笔记

YOLOv4_车牌号检测.zip

以下4个py文件需要单独运行： 首先运行annotation.py文件：将CCPD数据集进行划分，生成.txt路径文件存储到model_data文件夹中。 然后运行k_means_calculate.py文件：计算生成anchors数值，存储到model_data文件夹中。 再然后运行train.py文件：加载原始权重，训练YOLOv4模型，并将每轮训练的结果存储进Logs文件夹中。 最后运行yolo_predict.py文件：载入训练好的YOLOv4权重，对测试集数据进行检测，检测结果存放入demo文件夹中。 算法效果：---------------------------------------------------------------------- YOLOv4每张图片检测耗时323.8ms，精度较高，训练40 epoch左右后val loss降低至0.3附近，效果非常满意。 训练过程中random数据增强非常重要，可大幅提升模型性能，进一步降低val loss。

YOLOv4_VOC.zip

以下4个py文件需要单独运行： 首先运行annotation.py文件：将VOC数据集进行划分，生成.txt路径文件存储到model_data文件夹中。 然后运行k_means_calculate.py文件：计算生成anchors数值，存储到model_data文件夹中。 再然后运行train.py文件：加载原始权重，训练YOLOv4模型，并将每轮训练的结果存储进Logs文件夹中。 最后运行yolo_predict.py文件：载入训练好的YOLOv4权重，对测试集数据进行检测，检测结果存放入demo文件夹中。 YOLOv4每张图片检测耗时373.5ms，精度较高，训练30 epoch左右后val loss降低至2.3附近，比较满意。

STN_CNN.zip

img文件夹：用来存储验证码图片，运行data_simulate.py文件即可生成10000张带标记的验证码数字图片。 Logs文件夹：用来存储模型训练权重。 demo文件夹：可视化效果图，每张图片左边部分是原始字符图片，右边部分是经过STN层调整后的字符图片。 训练400个epoch后val loss降低到0.007左右，val accurcy达到99.5%。 利用test数据集进行测试，字符图片分类精度达到99.4%。

crnn_验证码识别.zip

img文件夹：用来存储验证码图片，10000张带标记的验证码数字图片。 Logs文件夹：用来存储模型训练权重。 训练15个epoch后val loss达到瓶颈，val loss = 0.09左右在也无法降低。 序列识别精度97.4%，效果极佳。

OCR_验证码识别.zip

以下3个py文件可独立运行(先运行data_simulate.py，再运行main.py)： （1）main.py文件：从头开始训练模型，并对验证集进行检测。 其依次调用了get_data.py、ocr_model.py、train.py、predict.py。 （2）data_simulate.py文件：生成训练数据集，并存储至img文件夹。 （3）visualize.py文件：网络可视化，显示不同分支分类模型的关键识别像素区域，生成heatmap_1-6.jpg。 算法效果： 训练10个epoch后val loss达到瓶颈，val loss = 1.98左右在也无法降低。 序列识别精度65%，单个字符识别精度93%。

车牌号识别项目.zip

算法性能： 1、检测正面清晰车牌号图片，车牌号在整张图片占比1/8-1/3之间，精度可达99%以上。 2、整体算法耗时104ms-164ms之间，处理视频流畅。 算法原理： 1、利用u-net网络做语义分割，检测得到车牌号位置。 2、按比例裁减图片，得到省份汉字图片和字母数字图片。 3、利用vgg网络分类，识别省份类别。 4、利用c_rnn网络分割分类，识别字母数字。

PSPNet_语义分割.zip

1、基于VOC_2012_AUG数据集进行语义分割，10000张训练集，1136张测试集。 2、语义分割精度达到93%，非常不错。 3、PSPNet模型，基于mobilenet特征提取框架。