浙江省第六届大学生机器人竞赛 创新机器人-超市购物机器人赛项 工程文件

Gitee仓库主要用作备份使用，主仓库参见：https://github.com/RapidAI/YOLO2COCO

基于paddle的PP-YOLOV2检测模型，通过结合多项有效的改进，在COCO2017上将PP-YOLO的性能从45.9％mAP提升到49.5％mAP：称之为PP-YOLOv2。

SSD, MobileNet v3, TensorRT, Jetson inference, Jetson Nano

训练、检测以及评估yolor网络，编写了制作yolo数据集的脚本代码方便数据集预处理。

基于Django框架实现的yoloV3的多种目标检测系统

Yolov5

基于Qt及OpenCv设计了一个视觉检测系统，实现了米粒的计数、缺陷分析功能。

[CVPR 2021] Instance Localization for Self-supervised Detection Pretraining

使用Wi-Fi进行健身动作识别的一种常见方法是使用机器学习算法。首先，通过收集各种健身动作时的Wi-Fi信号数据，训练一个模型来识别这些动作。然后，当新的Wi-Fi信号数据被收集时，这个模型可以被用来识别正在进行的动作。这种技术的一个主要优点是它不需要在人身上安装任何设备或传感器。然而，它的一个挑战是需要大量的数据和复杂的算法来准确地识别特定的动作。

onnx摄像头实时目标检测demo

项目来源美团官方

把ccpd车牌检测数据集转化为coco格式，转换字段包括： bounding box（左上角、右下角） segmentation box （车牌的四个角点，同时更新了segmentation面积的计算公式） segmentation map （车牌的四个角点形成的平行四边形，比bounding box更精确） label（两类：是否为车牌）