本项目用Yolov4实现传统目标检测，Yolov5实现车牌检测，可以一起呈现，需要的老板联系。

适合用于正在做Yolov4的群体

yolo-v4 不用build Darknet，直接轉換YOLO v4 weights成Tensorflow CKPT檔案並執行即時物件偵測的

train_yolo4

另一个-YOLOv4-Pytorch 这是在pytorch上实现YOLOv4对象检测神经网络的实现。 我将尝试实现原始纸张的所有功能。 模型 预先训练的体重 自订课程 联合会 YOLO数据集 验证信箱 HSV转变为火车 MOSAIC的火车 Dropblock层进行训练。 每个PAN层一个，但是您可以轻松地将其添加到每个层。 （感谢Evgenii Zheltonozhskii实现pytorch） LARS优化器 火炬闪电 用fgsm进行自我对抗训练 YOLOv4官方论文中的SAM注意事项 从ECA注块从fastglobalavgpool 来自重量标准化（不建议与预训练一起使用，可能会导致输入爆炸，与track_running_stats一起使用，否则爆炸） 带指南的笔记本 来自IoU意识 深度实施中的NMS（未连接） 来自矩阵NMS算法（未连接）

YOLO V4的paspp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。

Mobilenet-YOLO-Pytorch 就像我之前的项目，损失函数与原始实现非常相似 模型 pytorch实现的MobileNet-YOLO检测网络，在07 + 12上进行了训练，在VOC2007上进行了测试（图像网络经过预训练，而不是coco） 网络 地图 解析度 yolov3 约洛夫4 MobileNetV2 71.2 352 ✓ MobileNetV2 352 ✓ MobileNetV3 MobileNetV3 训练步骤 下载数据集VOCdevkit /，如果已有，请跳过此步骤 sh scripts/VOC2007.sh sh scripts/VOC2012.sh 创建lmdb sh scripts/create.sh 开始训练 sh scripts/train.sh 演示版 下载 ，并保存在$ Mobilenet-YOLO-Pytorch / chec

ScaledYoloV4实践 https://wanghao.blog.csdn.net/article/details/112073471，代码和数据集

tensorrt_demos 展示如何使用TensorRT优化caffe / tensorflow / darknet模型并在NVIDIA Jetson或x86_64 PC平台上运行推理的示例。 在Jetson Nano上以约4.6 FPS运行优化的“ yolov4-416”物体检测器。 在Jetson Nano上以约4.9 FPS的速度运行优化的“ yolov3-416”物体检测器。 在Jetson Nano上以27〜28 FPS运行优化的“ ssd_mobilenet_v1_coco”对象检测器（“ trt_ssd_async.py”）。 在Jetson Nano上以6〜11 FPS运行非常精确的优化“ MTCNN”面部检测器。 在Jetson Nano上以“每张图像〜16毫秒（仅供参考）”运行优化的“ GoogLeNet”图像分类器。 除了Jetson Nano，所有演

使WIDERFACE数据可以再yolov4中进行训练，主要用于进行标注格式的转变