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,

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

YOLOV4权重文件，支持YOLOV3编译环境，此版本比YOLOV3识别精确度更高，识别效果更好

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

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

yolov4deepsort YOLOV4 DEEPSORT 2021

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

目标检测：yolo深度目标检测模型的网络配置文件，下载下来后放到相应的文件夹中即可开始深度网络模型的训练

yolov4论文，pdf转word格式，方便复制或提取信息

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。