yolov4.cfg yolov4.weights yolov4-tiny.cfg

课程演示环境：Ubuntu 需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：中国交通标志识别》 在自动驾驶中，交通标志识别是一项重要的任务。本项目以中国交通标志数据集TT100K为训练对象，采用YOLOv4目标检测方法实现实时交通标志识别。 本课程的YOLOv4使用AlexyAB/darknet，在Ubuntu系统上做项目演示。具体项目过程包括：安装YOLOv4、TT100K标注格式转换成PASCAL VOC格式、YOLOv4训练集和测试集自动划分、修改配置文件、训练网络模型、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类分析。? 本课程会讲述使用Python程序将TT100K数据集的格式转换成PASCAL VOC格式和YOLO格式的方法，并提供相应代码。

weights cfg names文件，将这三个文件拷贝进根目录，运行程序即可实现YOLOv4+CUDA10.2+cudnn7.6.5.32+opencv3.4.10+VS2015目标识别

Deep SORT —— YOLO v4 目标检测跟踪 介绍 项目采用 YOLO v4 算法模型进行目标检测，使用 Deep SORT 目标跟踪算法。 支持系统：Windows系统、Ubuntu系统 运行环境 Keras==2.4.3 tensorflow-gpu==2.3.1 opencv-python==4.4.0.44 image==1.5.33 NVIDIA GPU CUDA 目录结构 deep-sort-yolov4 ┌── deep_sort DeepSort目标跟踪算法 │ ├── detection.py │ ├── generate_detections.py │ ├── iou_matching.py │ ├── kalman_filter.py │ ├── linear_assignment.py │

介绍 该项目的灵感来自： 我将YOLO v3换成了YOLO v4，并添加了用于异步处理的选项，这大大提高了FPS。 但是，使用异步处理时FPS监视将被禁用，因为它不准确。 另外，我从提取了算法，并将其实现到deep_sort/track.py 。 用于确认轨迹的原始方法仅基于检测到对象的次数，而不考虑检测置信度，从而在发生不可靠的检测时（即低置信度真阳性或高置信度假阳性）导致高跟踪误报率。 轨道过滤算法通过在确认轨道之前计算一组检测次数的平均检测置信度，从而大大降低了这一点。 请参阅下面的比较视频。 低置信度轨道过滤 导航到适当的文件夹以使用低置信度轨道过滤。 上面的视频演示了差异。

yolov4-tiny火焰检测源码,里面包含已经训练好的火焰模型和可供训练的数据集（xml文件和jpg文件），素材视频也在其中，下载即可运行。

社会距离估计 该存储库包含使用YOLOv4对象检测器和OpenPose人类姿势估计器根据单个RGB图像自动进行社交距离估计的代码和教程。 内容 入门 该代码要求安装以下库： python 3.8 张量流2.3.1 的opencv 4.4.0.44 numpy的1.18.5 该代码要求安装YOLOv4和OpenPose模型。 有关安装说明，请参阅和 。 安装后，从此页面下载3个脚本automatic_evaluation_API.py，valuate_labeled_images.py和valuate_unlabeled_images.py。 最后，项目文件夹应如下所示： ${project_dir} / ├── labels │ ├── body_pixel_locations.csv │ ├── camera_locations_photoshoot_identifi

YOLOV4_UDP_Jetson 目录 衔接者 外部链接 朴健宇 朴健宇 数据库管理系统 仁荷大学 研究目的 这项研究的目的是实现基于图像的目标识别和避免程序的融合。 作为输入，给出了两个雷达数据输入值和摄像机输入值，并且当摄像机检测到对手时，将输出高度变化命令作为输出以启动规避机动。 这项研究的简要概述如下。 可以在回避中检查未组织的实验内容。 这项研究概述 首先，将使用YOLOV3算法的对象检测算法（Deepstream， ）和使用监督学习训练的模型同时放置在Jetson xavier上，以检查结果。 请参考下面的链接以获取结果。 具有防撞模型的YOLOV3（未传达） YOLOV3的检测性能不是很好，因此通过使用Deepstream优化YOLOV4算法再次进行了实验。 请参考下面的链接以获取结果。 具有防撞模型的YOLOV4（未传达） 可以看出，YOLOV4的

官网谷歌云盘链接下载速度很慢，提供Yolov4.weights百度网盘文件，yolov4论文地址：https://arxiv.org/abs/2004.10934v1

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。利用YOLOv4训练完自己的数据集后，如何向大众展示并提供落地的服务呢？  本课程将提供相应的解决方案，具体讲述使用Web应用程序框架Flask进行YOLOv4的Web应用部署。用户可通过客户端浏览器上传图片，经服务器处理后返回图片检测数据并在浏览器中绘制检测结果。  本课程的YOLOv4使用AlexyAB/darknet，在Ubuntu系统上做项目演示，并提供在Windows系统上的部署方式文档。 本项目采取前后端分离的系统架构和开发方式，减少前后端的耦合。课程包括：YOLOv4的Flask部署系统架构、YOLOv4的安装及动态链接库的编译、 Flask的安装、YOLOv4的检测API接口python代码、 Flask的服务程序的python代码、前端html代码、CSS代码、Javascript代码、系统部署演示、生产环境部署建议、Windows系统上部署的区别等。 除本课程外，本人推出了有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv4目标检测实战：训练自己的数据集》(