包含4个权重文件，yolov5l ，yolov5m , yolov5s, yolov5x 。 从谷歌云盘下载的，4个文件4个积分不多吧.

针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。

yolov3论文，详细的讲解了yolo的原理，值得一看！

YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。 faster-RCNN 中也直接用整张图作为输入，但是 faster-RCNN 整体还是采用了RCNN 那种 proposal+classifier 的思想，只不过是将提取 proposal 的步骤放在 CNN 中实现了，而 YOLO 则采用直接回归的思路。

官方基于coco数据集预训练模型，微调后可以达到准确率较高的物体识别效果

MATLAB运动目标检测，以汽车为例，框定运动汽车，计算车流量，车速等参数。

微软最新state of art目标检测模型，训练自己数据集，详细步骤，detectron2框架pytorch源码

基于人工智能深度学习的场景下，基于torchversion的垃圾分类目标检测分卷（3）。垃圾分类作为一种有效处理垃圾的科学管理方案，在提高资源利用率、缓解垃圾生产压力以及改善生态环境等方面具有重要意义

基于人工智能深度学习的场景下，基于torchversion的垃圾分类目标检测分卷（4）。垃圾分类作为一种有效处理垃圾的科学管理方案，在提高资源利用率、缓解垃圾生产压力以及改善生态环境等方面具有重要意义

基于人工智能深度学习的场景下，基于torchversion的垃圾分类目标检测分卷（5）。垃圾分类作为一种有效处理垃圾的科学管理方案，在提高资源利用率、缓解垃圾生产压力以及改善生态环境等方面具有重要意义