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
1
行业分类-作业装置-一种基于YOLOv4的设备指示灯识别方法及系统.7z
2021-08-10 14:03:01 647KB 行业分类-作业装置-一种基于YO
转载于https://blog.csdn.net/sxfd91307/article/details/94980559?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162737166216780366525358%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162737166216780366525358&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-1-94980559.pc_search_result_before_js&utm_term=%E5%B0%86voc%E6%95%B0%E6%8D%AE%E9%9B%86%E8%BD%AC%E6%8D%A2%E6%88%90yolo&spm=1018.2226.3001.4187,方便自己以后查找使用
2021-08-06 12:16:38 2KB 机器学习
1
本资源提供了yolov4人脸口罩检查的方法
2021-08-05 08:39:57 14.31MB yolov4
1
yolov4-tiny.weights 文件下载
2021-08-03 09:02:39 21.51MB yolov4 yolo weightsfile
1
需要配置opencv和cuda的环境,配置之后可以直接运行生成检测之后的图片,yolov4.weights直接在网上下载就可以放到代码的目录下
2021-08-01 11:09:54 11.72MB 目标检测 YOLOV4
1
自学用
2021-07-26 20:17:16 589.37MB yolo实验
1
YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现: 演示版 输入:鸟瞰图(BEV)地图,由3D LiDAR点云的高度,强度和密度编码。 输入尺寸: 608 x 608 x 3 输出:7度的对象的自由(7- DOF)的: (cx, cy, cz, l, w, h, θ) cx, cy, cz :中心坐标。 l, w, h :边界框的长度,宽度,高度。 θ :包围盒的航向角,以弧度为单位。 对象:汽车,行人,骑自行车的人。 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 2.入门 2.1。 要求 pip install -U -r requirements.txt 有关和库的信息,请参阅其官方网站上的安装说明。 2.2。 资料准备 从下载3D KITTI检测数据集。 下载的数据包括: Velodyn
2021-07-22 15:56:14 12.56MB real-time point-cloud object-detection darknet
1
YOLO V4的pacsp版本权重(weights)文件,官方github下载代码后,将此文件直接放进代码目录中的weights文件夹内即可跑通。
2021-07-22 11:01:42 202.29MB 计算机视觉 深度学习 图像识别 YOLO
1
yolo4_tensorflow2 tensorflow2.0实现的yolo第4版 [目录] 概述 对于那些在GPU平台上运行的检测器,它们的主干网络可能为VGG,ResNet,ResNeXt或DenseNet。 而对于那些在CPU平台上运行的检测器,他们的检测器可能为SqueezeNet,MobileNet,ShufflfleNet。 最具特色的二阶段目标检测器R-CNN系列,包括快速R-CNN,更快的R-CNN,R-FCN [9],Libra R-CNN。目标检测器,例如RepPoints。至于一阶段目标检测器,尤其有意义的网络包括YOLO,SSD,RetinaNet。 一阶段的无锚目标检测器在不断发展,包括CenterNet,CornerNet,FCOS等。收集不同阶段的特征图,具有这种机制的网络,包括特征金字塔网络(FPN),路径聚合网络(PAN),BiFPN和NAS-FPN。
2021-07-22 09:58:23 5.67MB tensorflow2 yolov4 Python
1