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

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

本资源提供了yolov4人脸口罩检查的方法

yolov4-tiny.weights 文件下载

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

自学用

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

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。

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。

yolov4发布了，git上面下载太慢，经常容易断网，故将下载下来的共享出来