适用于Windows和Linux的Yolo v4，v3和v2
（用于物体检测的神经网络）
纸YOLO v4： ：
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： :
如何在Linux上编译
如何在Windows上编译
AP50：95-FPS（Tesla V100）论文： ：
AP50：95 / AP50-FPS（Tesla V100）论文： ：
tkDNN-TensorRT将批次1的YOLOv4加速约2倍，将批次4的YOLOv4加速3倍至4倍。
tkDNN： ：
Op
2021-08-24 12:06:47
7.85MB
1
国内交通标志数据集训练的模型：需配合vocTR.data和yolov4_TR.cfg文件可在Darknet下进行测试
2021-08-20 18:50:24
244.26MB
1
带有TensorRT引擎的YOLOv4
该软件包包含yolov4_trt_node，可使用NVIDIA的TensorRT引擎执行推理
该软件包适用于YOLOv3和YOLOv4。 根据所使用的YOLO模型，相应地更改命令。
搭建环境
安装依赖项
当前环境：
杰特逊Xavier AGX
ROS旋律
Ubuntu 18.04
Jetpack 4.4
TensorRT 7+
依存关系：
OpenCV 3.x版
numpy的1.15.1
Protobuf 3.8.0
皮丘达2019.1.2
onnx 1.4.1（取决于Protobuf）
使用以下命令安装所有依赖项
Install pycuda (takes awhile)
$ cd ${HOME}/catkin_ws/src/yolov4_trt_ros/dependencies
$ ./install_pycuda.sh
In
2021-08-20 12:00:51
6.91MB
1
yolov4deepsort
YOLOV4 DEEPSORT 2021
2021-08-19 01:54:42
17.53MB
1
YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在pytorch当中的实现
2021年2月8日更新：
加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。
目录
性能情况
训练数据集
权值文件名称
测试数据集
输入图片大小
mAP 0.5:0.95
mAP 0.5
VOC07+12
VOC-Test07
416x416
-
79.72
VOC07+12
VOC-Test07
416x416
-
80.12
VOC07+12
VOC-Test07
416x416
-
79.01
所需环境
torch==1.2.0
注意事项
提供的三个权重分别是基于mobilenetv1、mobilenetv2、mobilenetv3主干网络训练而成的。使用的时候注意backbone和权重的对应。
训练
2021-08-17 10:30:04
5.32MB
1
主要是Yolov4-tiny Yolov4的神经网络模型文件，可以直接调用，主要运用在物体识别、目标识别跟踪、人脸识别、无人机等应用领域。
2021-08-12 10:57:41
250.92MB
1
课程演示环境：Windows10;?cuda 10.2; cudnn7.6.5; Python3.7; VisualStudio2019; OpenCV3.4
需要学习ubuntu系统上YOLOv4的同学请前往：《YOLOv4目标检测实战：训练自己的数据集》
课程链接：https://edu.csdn.net/course/detail/28745
YOLOv4来了！速度和精度双提升！
与?YOLOv3?相比，新版本的?AP (精度)和?FPS?（每秒帧率）分别提高了?10%?和?12%。
YOLO系列是基于深度学习的端到端实时目标检测方法。本课程将手把手地教大家使用labelImg标注和使用YOLOv4训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。
本课程的YOLOv4使用AlexyAB/darknet，在Windows系统上做项目演示。包括：安装软件环境、安装YOLOv4、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、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。还将介绍改善YOL
2021-08-10 17:07:26
12.7MB
1