YOLOv3_TensorFlow 注意：由于我已切换到PyTorch一年，因此不再维护此回购协议（实际上我已经取消了很长一段时间的支持）。 寿命短，我使用PyTorch。 1.简介 这是我在纯TensorFlow中实现的 。 它包含有关您自己的数据集的完整培训和评估流程。 此仓库的主要功能是： 高效的tf.data管道 权重转换器（将COCO数据集上的预训练暗网权重转换为TensorFlow检查点。） 极快的GPU非最大抑制。 完整的培训和评估渠道。 Kmeans算法选择先验锚框。 2.要求 Python版本：2或3 包装方式： tensorflow> = 1.8.0（理论上任

在运行目标检测典型算法yolov3时，有不同的神经网络可供选择，该文件是spp版本，文件提供了神经网络中不同类型的层的配置参数包括batch_size, width,height,channel,momentum,decay，learning_rate等。

Linux创始人LinusTorvalds有一句名言：Talk is cheap, Show me the code.（冗谈不够，放码过来！）。 代码阅读是从入门到提高的必由之路。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。 YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。 YOLOv3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。 本课程将解析YOLOv3的实现原理和源码，具体内容包括：      YOLO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      GPU的CUDA编程方法及在Darknet的应用      YOLOv3的程序流程及各层的源码解析本课程将提供注释后的Darknet的源码程序文件。 除本课程《YOLOv3目标检测：原理与源码解析》外，

YOLOv3火焰烟雾识别训练结果，包含训练好的两个模型，安装好环境后可以直接使用， 类别名fire和smoke， 框架：pytorch; 代码：python

由于业务需求，最近在啃yolov3的pytorch官方代码，经过一段时间的摸索，参考了一些博文，做了一个yolo系列的综述和总结，分享出来，大家共同学习，如有不足，欢迎指正。本ppt是结合了github上yolov3官方代码和博文注解，同时改正了参考博文里面的一些小错误。

yolov3官方权重，weights格式

1、YOLOv3训练好的飞鸟检测检测模型，包括yolov3-bird.pt和yolov3_tiny-bird.pt两个训练好的模型，并包含近1000张标注好的鸟类数据集，标签格式为xml和txt两种，类别名为bird， 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、另外一万多张飞鸟数据集 https://download.csdn.net/download/zhiqingAI/85110825 4、采用pytrch框架，代码是python的

1、YOLOv3训练好的火焰烟雾检测模型，包括yolov3-fire_smoke.pt和yolov3_tiny-fire_smoke.pt两个训练好的模型，并包含几百张标注好的火焰和烟雾数据集，标签格式为xml和txt两种，类别名为fire和smoke， 2、采用pytrch框架，代码是python的 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

针对红外图像中行人小目标检测识别率低、虚警率高的问题，研究了当下效果最好的 YOLOv3目标检测算法，在其基础上进行优化，提出了一种满足实时性要求的行人小目标检测算法。

yolo-v3:Yolov3用于对象检测和跟踪的Rust实现