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。

需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：原理与源码解析》， 课程链接 https://edu.csdn.net/course/detail/29865 【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！  代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。 YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。 YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。 【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括： - YOLOv4目标检测原理- 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算- 代码阅读工具及方法- 深度学习计算的利器：BLAS和GEMM- GP

修剪后的OpenVINO-YOLO 先决条件 首先安装mish-cuda： : 测试平台：WIN10 + RTX3090 + CUDA11.2 如果您无法在设备上安装它，也可以尝试 开发日志 扩张 2021-2-25支持yolov4-tiny和yolov4-tiny-3l。请使用或修剪yolov4-tiny和yolov4-tiny-3l模型（提示：使用darknet调整修剪后的模型而无需加载权重）和转换权重 2021-3-13更新了Mish-cuda支持。增强了代码对yolov4的适应性（训练更快，内存占用更少） 介绍 当在OpenVINO上部署YOLOv3 / v4时，该模型的完整版本的FPS较低，而微型模型的准确性较低且稳定性较差。 完整版的模型结构通常被设计为能够在更复杂的场景中检测80个或更多的类。 在我们的实际使用中，通常只有几个类，而且场景并不那么复杂。 本教程将分享如何修

yolov4-deepsort 使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪。 YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。 我们可以将YOLOv4的输出输入这些对象检测到Deep SORT（具有Deep Association Metric的简单在线和实时跟踪）中，以创建高度准确的对象跟踪器。 对象跟踪器演示 汽车上的对象跟踪器演示 入门 首先，请通过Anaconda或Pip安装适当的依赖项。 我建议使用GPU的人使用Anaconda路由，因为它可以为您配置CUDA工具包版本。 conda（推荐） # Tensorflow CPU con

基于yolov4模型的目标检测与计数应用文档资料

TT100K数据集过大需自行下载 https://cg.cs.tsinghua.edu.cn/traffic-sign/tutorial.html

基于深度学习的手势识别工具，实现了手势图片、手势视频、摄像头手势实时检测功能