darknet-yolov4相关文件.zip

Yolov4-deepsort头盔检测 使用DarknetYOLOv4模型训练的头盔（安全帽）检测器。 测试环境 Windows 10 x64 2020 (build 19041.388) NVIDIA RTX 2070 Super CUDA 10.1 / CuDNN 7.6.5 Python 3.7.7 x64 tensorflow 2.2.0 GPU 训练体重 将重量文件放在./configs 要使用自己的数据集进行训练，您应该使用 。 并需要更改一些参数 使用的数据集 +约100张图片 依存关系 Python opencv-python，numpy，scikit图像在图像上画框和文字 张量流2.2.0 使用DeepSORT模型跟踪对象 matplotlib 创建颜色图 CUDA 10.1 / CuDNN 7.6.5 暗网 用于yolov4对象检测 dark.dll,

使用darknet（windows GPU 版本） yolov3 训练自己的第一个检测模型.,使用darknet（windows GPU 版本） yolov3 训练自己的第一个检测模型.

适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） 纸YOLO v4： ： Paper Scaled ： ： 用于重现结果： 有关媒体的文章中的更多详细信息： 手册： ： 讨论： 关于Darknet框架： : 如何在Linux上编译 如何在Windows上编译 AP50：95-FPS（Tesla V100）论文： ： AP50：95 / AP50-FPS（Tesla V100）论文： ： tkDNN-TensorRT将批次1的YOLOv4加速约2倍，将批次4的YOLOv4加速3倍至4倍。 tkDNN： ： Op

国内交通标志数据集训练的模型：需配合vocTR.data和yolov4_TR.cfg文件可在Darknet下进行测试

yolov3-k-means darknet53 自动计算四舍五入 可直接拷贝anchors使用 单个文件，修改Annoations即可使用

支持yolov1,yolov2,yolov3,yolo9000 cpu，gpu实现均支持。 无需TensorFlow，caffe等框架要求

用于车钩装的二分类 ，使用darknet框架下的resnet50进行训练，经过测试准确率达到98%；

YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现： 演示版 输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。 输入尺寸： 608 x 608 x 3 输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, w, h, θ) cx, cy, cz ：中心坐标。 l, w, h ：边界框的长度，宽度，高度。 θ ：包围盒的航向角，以弧度为单位。 对象：汽车，行人，骑自行车的人。 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 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： Velodyn

yolov4发布了，git上面下载太慢，经常容易断网，故将下载下来的共享出来