以下4个py文件需要单独运行：
首先运行annotation.py文件：将CCPD数据集进行划分，生成.txt路径文件存储到model_data文件夹中。
然后运行k_means_calculate.py文件：计算生成anchors数值，存储到model_data文件夹中。
再然后运行train.py文件：加载原始权重，训练YOLOv4模型，并将每轮训练的结果存储进Logs文件夹中。
最后运行yolo_predict.py文件：载入训练好的YOLOv4权重，对测试集数据进行检测，检测结果存放入demo文件夹中。
算法效果：----------------------------------------------------------------------
YOLOv4每张图片检测耗时323.8ms，精度较高，训练40 epoch左右后val loss降低至0.3附近，效果非常满意。
训练过程中random数据增强非常重要，可大幅提升模型性能，进一步降低val loss。
2021-09-06 13:14:25
725.76MB
1
以下4个py文件需要单独运行：
首先运行annotation.py文件：将VOC数据集进行划分，生成.txt路径文件存储到model_data文件夹中。
然后运行k_means_calculate.py文件：计算生成anchors数值，存储到model_data文件夹中。
再然后运行train.py文件：加载原始权重，训练YOLOv4模型，并将每轮训练的结果存储进Logs文件夹中。
最后运行yolo_predict.py文件：载入训练好的YOLOv4权重，对测试集数据进行检测，检测结果存放入demo文件夹中。
YOLOv4每张图片检测耗时373.5ms，精度较高，训练30 epoch左右后val loss降低至2.3附近，比较满意。
2021-09-05 14:07:06
539.56MB
1
约洛夫4
这是一个yolov4_pytorch代码
没有实现所有trick，做了以下实现：
骨干：DarkNet53 => CSPDarkNet53
特征金字塔：SPP，PAN
训练：Mosaic数据增强，标签平滑，学习率余弦衰减衰减，CIOU
激活函数：Mish
2021-09-02 15:05:39
5.31MB
1
课程演示环境：Windows10；CUDA10.2; cuDNN 7.6.5; Python 3.7; Visual Studio 2019; OpenCV3.4需要学习Ubuntu系统YOLOv4的同学请前往《YOLOv4目标检测实战：人脸口罩佩戴检测》
课程链接：https://edu.csdn.net/course/detail/28860
当前，人脸口罩佩戴检测是急需的应用，而YOLOv4是新推出的强悍的目标检测技术。本课程使用YOLOv4实现人脸口罩佩戴的实时检测。课程提供超万张已标注人脸口罩数据集。训练后的YOLOv4可对真实场景下人脸口罩佩戴进行高精度地实时检测。
本课程会讲述本项目超万张人脸口罩数据集的制作方法，包括使用labelImg标注工具标注以及如何使用Python代码对第三方数据集进行修复和清洗。
本课程的YOLOv4使用AlexyAB/darknet，在Windows系统上做人脸口罩佩戴检测项目演示。具体项目过程包括：安装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)和先验框聚类分析。
2021-09-01 12:13:43
11.95MB
1
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,
2021-08-28 00:42:34
12.2MB
1