目標檢測常用的資料集包括pascal voc，imagenet，ms coco等資料集，這些資料集用於研究者測試演算法效能或者用於競賽。
1 fast r-cnn
2 faster r-cnn
3 spp-net（空間金字塔池化網路）matlab
caffe
mxnet
pytorch
tensorflow
keras
c++
4 .yolo模型
**實現：
darkflow：將darknet轉換到tesorflow平台。載入訓練好的權值，用tensorflow再次訓練，再將匯出計算圖到c++環境中。5.yolov2模型使用你自己的資料訓練yolo模型。利用分類標籤和自定義的資料進行訓練，darknet支援linux / windows系統。
ios上的yolo實戰：coreml vs mpsnngraph，用coreml和新版mpsnngraph的api實現小型yolo。
安卓上基於tensorflow框架執行yolo模型實現實時目標檢測。
各種實現：
keraspytorch
tensorflow
windows
caffe
darknet_scripts是深度學習框架中yolo模型中darknet的輔助指令碼，生成yolo模型中的引數anchors。yolo_mark：圖形化標記用於訓練yolov2模型的影象目標
lightnet：改進的darknet
用於生成yolov2模型所需訓練資料的邊界框標記工具
loss rank mining：基於實時目標檢測的一種通用的困難樣本挖掘方法。lrm是第乙個高度適用於yolov2模型中的困難樣本挖掘策略，它讓yolov2模型能夠更好的應用到對實時與準確率要求較高的場景中。
目標檢測演算法
基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置，即候選區域，再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...
目標檢測演算法對比 目標檢測演算法工程落地
覆盤一下在實現檢測演算法落地過程中所經歷的乙個流程 列出幾點重點說明一下 1 網路的選取和調參是關鍵 網路選取 考慮到實際情況的實時性 硬體效能，需考慮參數量較小的檢測網路，更傾向於單階段式的網路 基於yolossd等的多個變體網路 其次基礎特徵提取網路backbone的替換，傳統都是vgg的特徵提...
目標檢測演算法歷史
最近在做一些目標檢測相關的東西，目標檢測是計算機視覺裡面最重要的課題之一了，很多場合檢測和識別都是很重要的，比如現在很火的無人駕駛，就非常依賴目標檢測和識別，需要非常高的檢測精度和定位精度。目標檢測從很早就開始有了。傳統演算法的典型代表有 haar特徵 adaboost演算法 hog特徵 svm演算...