代码我已经改好了，各位小伙伴要做的就是替换darknet版本下的src和example然后重新make既可使用，注意：这不是darknetAB的windows版本，ubuntu专用

本资源为本人对darknet精简后的压缩包，去除了python版本，仅保留darknet windows c++版

深度学习框架，目标检测

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。

License-plate-recognition 使用 "Darknet yolov3-tiny" 训练检测模型 1. 下载,提取码: j7c2. 2. 将data.zip解压到darknet.exe所在目录下. 3. 进入data/voc目录下运行voc_label.bat重新生成2019_train.txt, 2019_val.txt. 4. 修改cfg/yolov3-tiny.cfg [net] batch=64 subdivisions=4 // 这里根据自己内存大小修改(我11G显存设置2时,中途会out of memory. 所以设置4, 训练时显存占用约6G) angle=5 // 增加旋转角度产生样本 max_batches = 220000 //最大迭代次数 steps=70000,200000 //调整学习率变化

适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） YOLO v4纸： : 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： : AP50：95-FPS（Tesla V100）论文： ： AP50：95 / AP50-FPS（Tesla V100）论文： ： tkDNN-TensorRT将批处理= 1的YOLOv4加速约2倍，将批处理= 4的YOLOv4加速3倍-4倍。 tkDNN： ： OpenCV： : GeForce RTX 2080 Ti： 网络规模 暗网，FPS（平均） tkDNN TensorRT FP32，FPS tkDNN TensorRT FP16，FPS OpenCV FP16，FPS tkD

AlexeyAB版Darknet + 权重yolov3.weights

需放在.\darknet-master\build\darknet\x64目录下，默认数据集目录为data/obj，默认valid文件的比例为0.20，可自己按需求修改，比例参数设置在第11行，读取及输出目录在第113、115行，或者使用函数--img-path与--valid定义目录

yolo-mark用于数据集标记，已经进行了打包，可直接解压后在./yolo-mark目录下使用cmd指令运行yolo-mark，需要自行更改cmd指令中的路径以及obj.names文件中的项目名称。但是注意一点，请不要用train.txt文件直接进行训练，一是因为没有进行过分类，二是因为目录路径可能不对。 示例：yolo_mark.exe data/imgs data/train.txt data/obj.names 其中data/imgs为需要标记的图片目录，data/train.txt为记录的已标记图片路径，data/obj.names内为项目名称。可以与https://download.csdn.net/download/a564636465/18974955该程序配合使用

面罩检测 使用YOLO网络（Darknet）和更快的R-CNN网络（PyTorch）在Google Colab中进行面罩检测。 检测到3类：正确佩戴的口罩，错误佩戴的口罩和未佩戴的口罩。 设置和执行YOLO： 在您的Google云端硬盘中创建名为yolov3的文件夹 下载数据集（ ， ） 执行jupyter Notebook 对于测试，请执行detection_utils.py或对视频进行检测，请执行detect_video.py您可以使用video_converter.py从视频创建数据集，从视频到图像或从图像到视频。 设置和执行PyTorch： 在您的Google云端硬盘中创建一个名为rcnn的文件夹，然后以zip格式上传数据集。 下载数据集（ ， ） 执行jupyter Notebook 预训练重量： 在Kaggle数据集上已经预先训练了 （和）网络和权重（方法