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》(

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。

OpenCV4-C++实现YOLOv4.zip

Darknet-C++实现YOLOv4.zip

OpenCV4-python实现YOLOv4.zip

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。

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