本功能包是darknet_ros功能包，基于COCO数据集的80类目标实时检测源代码，按照我博客的步骤简单编译即可运行。实现摄像头输入的实时检测目标并通过ros话题发布目标类型和置信度等消息。由于我编译好的功能包体积太大超过上传的限制，所以很遗憾不能直接上传，先自己改，如果自己实在改不了的话，可以私信我获取我编译好的完整功能包与模型。

针对新冠肺炎防控期间肉眼识别判断行人是否佩戴口罩效率低且存在较大风险的问题, 提出一种改进检测目标边框损失的自然场景下行人是否佩戴口罩的检测算法. 该算法对YOLOv3损失函数进行改进, 应用GIoU计算目标边界框损失, 完成自然场景下行人是否佩戴口罩的检测. 算法在开源的WIDER FACE数据集和MAFA数据集上训练, 采集自然场景图片进行测试, 行人是否佩戴口罩的mAP (mean Average Precision)达到了88.4%, 取得了较高的检测准确率, 在自然场景视频检测中平均每秒传输帧数达到38.69, 满足实时检测的要求.

前言：自从约瑟夫·雷德蒙（Joseph Redmon）提出了yolov3后，其暗网仓库已经获得了16k的星，说明了暗网的流行。该作者最新一次更新也是一年前了，没有继续维护。地更新darknet，在窗口中的窗口中添加了更多的darknet，并实现了多种SOTA目标检测算法。AlexeyAB同时库中提供了一份详细的建议，从编译，配置，涉及网络到测量指标等，一是应全。通过阅读和理解AlexeyAB的建议，可以为我们带来很多启发。这里是翻译了AlexeyAB的Darknet中的自述文件。你能看到最全的DarkNet代码注释，以及你会明白DarkNet是如何从你标注的数据获得最终的目标框的，你会学到DarkNet的数据结构方式，网络以及每个图层的前向传播和反向传播，以及YOLOV1，V2，V3，GaussianYOLO，TrideNet，CSPNet，PRN，EfficientNet等最SOTA的模

火车卷积神经网络-YOLO算法 在这个项目中，我将讨论YoloV3体系结构以及如何在自定义数据集上进行训练，我将逐步解释如何使用Darknet框架来实现它。 介绍 什么是物体检测？ 对象检测如何工作？ YOLO-您只看一次 YOLO v3。 网络架构 特征提取器 功能检测器 完整的网络架构 如何在自定义数据集上训练YOLOv3 资料准备 贴标 准备好文件进行培训 训练模型（Darknet框架） 使用自定义权重进行对象检测 介绍 什么是物体检测？ 对象检测是一种包含对象分类和对象本地化两个任务的技术。 它是经过训练可检测多种类别的对象的存在和位置的模型。 它可以用于静态图像，甚至可以实时用于视频。 来自图片 对象检测如何工作？ 对象检测找到对象并在其周围绘制一个边界框。 这是一种与计算机视觉和图像处理有关的计算机技术，用于自动驾驶汽车，面部识别，行人检测等。...最新的算法

YOLO_v3 训练自己数据集的文件主要格式和位置 ，主要自己使用，，

windows10一站式YOLOv2训练自己的数据集所需要的开发包

darknet_face_with_landmark 更新 torch版本： 借鉴AlexeyAB大神的 做适量修改，用于人脸检测以及关键点检测,支持ncnn推理 实现的功能 添加关键点检测分支，使用wing loss 添加 hswish,hsigmode 激活函数 Installation Clone and install git clone 使用scripts/retinaface2yololandmark.py脚本将retinaface的标记文件转为yolo的格式使用 其他编译训练都和原版darknet相同 测试 ./darknet detector test ./data/face.data ./cfg/mbv2_yolov3_face.cfg ./models/mbv2_yolov3_face_final.weights ./test_imgs/input/se

Darknet-C++实现YOLOv4.zip

包含cpu和gpu版本，支持opencv3 opencv2，有问题可以产看我自己写的教程

yolov4开源代码