本项目使用自组网络SSRNetV2在杂草数据集进行训练和预测，精度为97.55%，速度为9ms，参数量为1.12M，优于MobileNetV3。

基于YOLOV3的昆虫目标检测

自研单阶段无锚框目标检测算法SSYOLOv1，在路标检测数据集上的精度可到到94.63%，模型参数量为3.2M。骨干网络使用自研的SSRNetv3，在骨干网络中将特征提取与特征融合进行合并，简化了FPN结构。检测头部使用YOLOX的解耦头部。在计算损失函数时，使用YOLOX的是SimOTA标签分配策略。详细算法说明会在后续进行，欢迎关注并提供改进建议。

硕士学位论文《基于向量表示的单阶段无锚框目标检测算法的研究及实现》的代码。包括基于多次度分割的图像识别算法的网络模型SSRNet，和基于向量表示的单阶段无锚框目标检测算法SSYOLO的实现代码。

基于YOLOv3的目标检测算法

通过https://github.com/WongKinYiu/yolov7训练的yolov7-tiny.pt模型，使用opencv dnn cpp进行推理。