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》(
2021-09-08 16:57:32
4.34MB
1
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