darknet版yolov4行人检测训练权重；配置文件为data/coco.names; cfg/yolov4.cfg; cfg/coco.data; 训练图片尺寸 512x512；类别名person；训练好的权重保存在backup中，附训练loss图和map曲线图，并包含行人训练数据集800多张

课程演示环境：Windows10  需要学习Ubuntus系统YOLOv4-tiny的同学请前往《YOLOv4-tiny目标检测实战：训练自己的数据集》 YOLOv4-tiny来了！速度大幅提升！ YOLOv4-tiny在COCO上的性能可达到：40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny，AP和FPS的性能有巨大提升。并且，YOLOv4-tiny的权重文件只有23MB，适合在移动端、嵌入式设备、边缘计算设备上部署。 本课程将手把手地教大家使用labelImg标注和使用YOLOv4-tiny训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。 本课程的YOLOv4-tiny使用AlexAB/darknet，在Windows10系统上做项目演示。包括：YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。   除本课程《Windows版YO

自动车牌识别 :India: 表中的内容 演示版 总览 这是一个分为四个阶段的对象检测项目，主要致力于检测车辆的车牌，从而读取车牌号并将其保存在文本文件中，以供有关当局使用。该深度学习项目使用YOLOv4（您只看一次）作为神经在名为Darknet的框架之上构建的网络架构，然后使用Tensorflow Lite进行部署准备就绪，使其兼容在各种边缘设备中使用，例如android，iOS，树莓派等。 动机 由于许多实际应用，例如自动收费，交通执法，私人空间出入控制和道路交通监控，自动车牌识别（ALPR）一直是研究的一个频繁主题。 ALPR系统通常分为三个阶段：车牌（LP）检测，字符分割和字符识别。 较早的阶

## 运行步骤 1. 运行voc_annotation.py，生成根目录下的2007_train.txt、2007_val.txt、2007_test.txt。 2. 运行kmeans_for_anchors.py，生成anchors.txt，也可以不运行这一步，直接使用model_data/yolo_anchors.txt，这是为YOLO 416*416 模型专门设计的，效果依旧很好。 3. 运行train.py，即可开始训练。 4. 运行predict.py进行检测，其中包含图片检测、文件夹遍历检测。 硬件环境：单张RTX8000显卡。 1. 对于训练阶段，batch=32，调用GPU每轮训练需要2min，而禁止GPU后每轮训练需要5min。 2. 对于推理阶段，VOC数据集调用GPU每帧0.03894278782533031s，禁止GPU后每帧0.06158580083645041s，真不愧是tiny_yolov4，在CPU上运行也能足够快。 而之前测试的yolov4模型调用GPU每帧0.17s，tiny_yolov4速度上比起yolov4足足快了5倍，但的确在VOC2007数据集上的检测精度不及，轮廓精度和分类类别精度均有欠缺。

在基于机器视觉实现电机端盖裂纹缺陷检测过程中, 针对复杂背景下目标特征不明显的问题, 使用限制对比度的自适应直方图均衡化的方法加强目标特征. 针对机器视觉系统中训练数据量少且训练图片背景单一导致模型泛化性低的问题, 对比了Mosaic和CutMix数据增强方法, 并结合多种数据增强策略, 提出了系统的数据集构建方案. 针对使用YOLOv4进行单类检测和小目标检测时正负样本不平衡导致检测率低的问题, 提出了自适应多尺度焦点损失+CIoU损失的加权融合损失函数, 并通过实验得到最优超参数. 最后使用K-means算法初始化锚点框, 使模型更适应线状目标的预测. 结果表明, 该方法对于裂纹类别的检测达到了95.8%的平均精度(Average Precision, AP), 相较于改进前提升9.7%, 单张检测时间48 ms, 具有一定的工程应用价值.

yolov4-tiny pytorch implementation of yolov4-tiny requirements torch torchvision opencv-python Pillow matplotlib tqdm train add datasets 数据集按coco2017数据集形式存放 coco ├── labels/ │   ├── train2017/ │   │   └── 0001.txt (classes cx cy w h) │   └── val2017/ └── images/    ├── train2017/ │   └── 0001.jpg    └── val2017/ set datasets 修改config.py中的train_datasets_images_path、train_datasets_labels

YOLOv4-vs-YOLOv4-tiny 根文件夹中有两个主要的jupyter笔记本，其中包含在roboflow的数据集上运行YOLOv4和YOLOv4-tiny的所有代码和指令。 我还添加了一些功能来使用您的网络摄像头捕获实时对象检测。 视频文件夹包含经过口罩训练的YOLOv4视频，并应用于涵盖冠状病毒的最新新闻视频。

训练用的 Anaconda3-2020.11-Windows-x86_64.7z 请参阅我的博文 https://blog.csdn.net/sniper_bing/article/details/110742573

colab简介 Google Colaboratory是谷歌开放的一款研究工具，主要用于机器学习的开发和研究。 工具优势：Google Colab最大的好处是给广大的AI开发者提供了免费的GPU使用。你可以在上面轻松地跑例如：Keras、Tensorflow、Pytorch等框架；其次是入门相对简单，语法和cmd语句以及linux语句相似。目前colab平台GPU的状态信息如下图： 原创文章 3获赞 2访问量 186 关注

1、demo文件夹： YOLOv4目标检测算法针对MVI_40192文件夹数据集的处理效果，比较满意，车辆信息基本都能检测到。 2、road1_demo文件夹： YOLOv4 + DeepSort算法，针对road1.mp4视频数据的目标跟踪、车流量计数效果。人工统计车流量292辆(可能有偏差)，算法统计车流量288辆。 3、road2_demo文件夹： YOLOv4 + DeepSort算法，针对road2.mp4视频数据的目标跟踪、车流量计数效果。人工统计车流量29辆，算法统计车流量29辆。 只要视频流车辆清晰、大小合适、轮廓完整，算法处理的精度挺高。 4、road1_tracking.mp4、road2_tracking.mp4： 由目标跟踪处理结果合成的视频流。 *********************************************************************************************** 1、deepsort文件夹： 含目标跟踪算法源码，包括：卡尔曼滤波、匈牙利匹配、边框类创建、Track类创建、Tracker类创建。 2、ReID文件夹： 含特征提取算法源码，model_data存储着reid网络的结构、权重，feature_extract_model.py用于创建特征提取类。 3、YOLOv4文件夹： 含目标检测算法源码，model_data存储yolov4网络配置、nets + utils用于搭建模型。decode.py用于将检测结果解码。 4、car_predict.py、yolo.py： 用于验证目标检测算法的效果。 5、main.py： 整个项目的运行入口，直接运行main.py，就可以调用YOLOv4+DeepSort，处理视频流信息，完成目标跟踪和车流量统计。