ssd_tensorflow_traffic_sign_detection
Implémentation du Single Shot MultiBox Detector dans TensorFlow, pour détecter et classifier les panneaux de signalisation.
Détectez et classifiez les panneaux de signalisation en temps réel en utilisant un modèle entraîné qui traite les images rapidement.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentImplémentation du Single Shot MultiBox Detector dans TensorFlow, pour détecter et classifier les panneaux de signalisation.
ssd_tensorflow_traffic_sign_detection compte 531 étoiles sur GitHub. Il a été forké 217 fois. ssd_tensorflow_traffic_sign_detection est écrit principalement en Python. Il est développé activement depuis 2017. ssd_tensorflow_traffic_sign_detection est disponible sous licence MIT. Ses principaux thèmes sont : computer-vision, object-detection, python, ssd.
Qu'est-ce que ssd_tensorflow_traffic_sign_detection ?
Implémentation du Single Shot MultiBox Detector dans TensorFlow, pour détecter et classifier les panneaux de signalisation.
ssd_tensorflow_traffic_sign_detection est-il open source ?
ssd_tensorflow_traffic_sign_detection est un projet open source. Il est distribué sous licence MIT.
ssd_tensorflow_traffic_sign_detection est-il gratuit ?
Oui. ssd_tensorflow_traffic_sign_detection est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est ssd_tensorflow_traffic_sign_detection ?
ssd_tensorflow_traffic_sign_detection est disponible sous licence MIT.
Dans quel langage ssd_tensorflow_traffic_sign_detection est-il écrit ?
ssd_tensorflow_traffic_sign_detection est écrit principalement en Python.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/georgesung-ssd-tensorflow-traffic-sign-detection.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.