1、demo文件夹：YOLOv4目标检测算法针对MVI_40192文件夹数据集的处理效果，比较满意，车辆信息基本都能检测到。
2、road1_demo文件夹：YOLOv4+DeepSort算法，针对road1.mp4视频数据的目标跟踪、车流量计数效果。
人工统计车流量292辆(可能有偏差)，算法统计车流量288辆。
3、road2_demo文件夹：YOLOv4+DeepSort算法，针对road2.mp4视频数据的目标跟踪、车流量计数效果。
人工统计车流量29辆，算法统计车流量29辆。
只需视频流车辆清晰、大小合适、轮廓完整，算法处理的精度挺高。
4、road1_tracking.mp4、road2_tracking.mp4：由目标跟踪处理结果合成的视频流。
***********************************************************************************************1、deepsort文件夹：含目标跟踪算法源码，包括：卡尔曼滤波、匈牙利匹配、边框类创建、Track类创建、Tracker类创建。
2、ReID文件夹：含特征提取算法源码，model_data存储着reid网络的结构、权重，feature_extract_model.py用于创建特征提取类。
3、YOLOv4文件夹：含目标检测算法源码，model_data存储yolov4网络配置、nets+utils用于搭建模型。
decode.py用于将检测结果解码。
4、car_predict.py、yolo.py：用于验证目标检测算法的效果。
5、main.py：整个项目的运行入口，直接运行main.py，就可以调用YOLOv4+DeepSort，处理视频流信息，完成目标跟踪和车流量统计。

--Tensorflow+SSD+Yolo（目标检测）文章11.视频检测该资源是本篇文章的操作步骤以及参考帖子的截图，以防参考帖子生效。

通过java代码使用yolov3的示例代码，yolov3是先进的图片内物品识别的神经网络。
由于目前通过jvm运行神经网络效率较低，项目的示例意义大于实意图义。
此项目参考了yolov2的java项目：https://github.com/szaza/android-yolo-v2，是在这个项目的基础上改造成的yolov3示例。
此项目使用springboot和maven，下载项目和依赖后运行起来访问localhost:8080即可使用。
项目内的模型和依赖比较重，下载需要一段时间。

利用yolo实现简单的车辆识别，从随机初始化的权重训练一个YOLO模型是非常重要的，需要大量的数据集和大量的计算资源，所以我们在这个练习中使用了预训练的模型参数。
你也可以尝试用本人的数据集对YOLO模型进行微调。

SSD使用VGG-16-Atrous作为基础网络，其中黄色部分为在VGG-16基础网络上填加的特征提取层。
SSD与yolo不同之处是除了在最终特征图上做目标检测之外，还在之前选取的5个特特征图上进行预测。
SSD图1为SSD网络进行一次预测的示意图，可以看出，检测过程不只在填加特征图(conv8_2,conv9_2,conv_10_2,pool_11)上进行，为了保证网络对小目标有很好检测效果，检测过程也在基础网络特征图(conv4_3,conv_7)上进行。

该资源为我研讨方向，基于机器视觉的轴承表面缺陷检测研讨所需的算法总结

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、数据集亲身收集、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

只依赖OPENCV460的跌倒检测，CPU平均时间大约30毫秒，采用YOLOFASTEST完成

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。