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

这是一个YoloV4-pytorch的源码，可以用于训练自己的模型。 YOLOV4：You Only Look Once目标检测模型在pytorch当中的实现 目录 实现的内容 Achievement 所需环境 Environment 注意事项 Attention 小技巧的设置 TricksSet 文件下载 Download 预测步骤 How2predict 训练步骤 How2train 参考资料 Reference 实现的内容 主干特征提取网络：DarkNet53 => CSPDarkNet53 特征金字塔：SPP，PAN 训练用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减 激活函数：使用Mish激活函数 ……balabla 所需环境 torch==1.2.0 注意事项 代码中的yolo4_weights.pth是基于608x608的图片训练的，但是由于显存原因。我将代码中的图片大小修改成了416x416。有需要的可以修改回来。 代码中的默认anchors是基于608x608的图片的。

复杂的YOLOv4 本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 示范（在GTX 1080Ti上） 2.入门 2.1。要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyne点云（29 GB） ：将数据输入到Complex-YOLO模型 对象数据集的训练标签（5 MB） ：Complex-YOLO模型的输入标签 对象数据集的摄像机校准矩阵（16 MB） ：用于可视化预测 对象数据集的左侧彩色图像（12 GB） ：用于可视化预测 请确保您按照以下方式

YOLO的猫检测项目 介绍 该存储库中的项目是使用YOLO和darknet框架来训练对象检测模型。 查找训练有素的体重： : 故事 我的朋友最近有一只猫，它是德文郡（Devon Rex）。 我学习了CV算法，它是YOLO。 我很高兴看到如果我应用YOLO来检测德文郡雷克斯，将会发生什么。 首先，我从Google收集了Devon的图片数据（约150张图片），并对其进行了手动标记。 我用Darknet framork训练了模型，让我们看看我做了什么。 表中的内容 Cat_Doven_Detection.py ->检测程序 /数据 ->目标图片和视频 /测试 ->演示图片和视频 图像检测演示： 视频检测演示： 参考： labelImg： ://tzutalin.github.io/labelImg/ 暗网： : dog1.jpeg来源：https：// // /照片/棕色-