目标检测complex_yolov3权重（已训练模型）

yolo3可视化界面_火焰检测+2k已标注火焰数据集.7z 开盖即食，函数模块化处理，修改方便，添加错误反馈机制，运行更稳定 共有5个界面：登陆、注册、图片检测（打开、检测）、视频检测（打开视频、关闭视频、检测视频、停止检测）、实时检测（打开摄像头、关闭、检测、关闭检测） 其中在所有检测种，使用本数据集检测正确度可以达到90%

yolov3-tiny 相关的配置文件包括训练好的权重，可以直接拿来用

TensorFlow-2.x-YOLOv3和YOLOv4教程 TensorFlow 2.x中的YOLOv3和YOLOv4实现，并支持训练，传递训练，对象跟踪mAP等...代码已通过以下规格测试： i7-7700k CPU和Nvidia 1080TI GPU 操作系统Ubuntu 18.04 CUDA 10.1 cuDNN v7.6.5 TensorRT-6.0.1.5 Tensorflow-GPU 2.3.1 代码已在Ubuntu和Windows 10上进行了测试（不正式支持TensorRT） 使用2.4.0 TensorFlow-不起作用！ 安装 首先，克隆或下载此GitHub存储库。安装要求并下载预训练的砝码： pip install -r ./requirements.txt # yolov3 wget -P model_data https://pjreddie.com

yolov3算法的实际应用，船只计数，精选的算法总结；

yolov3论文，详细的讲解了yolo的原理，值得一看！

YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。 faster-RCNN 中也直接用整张图作为输入，但是 faster-RCNN 整体还是采用了RCNN 那种 proposal+classifier 的思想，只不过是将提取 proposal 的步骤放在 CNN 中实现了，而 YOLO 则采用直接回归的思路。

一种基于YOLOV3司机危险动作识别方法及系统.pdf

深度学习，目标检测框架yolov3，作为最经典的一步法的模型之一，在精度中等的情况下并保证了很快的速度。这里提供了官方训练好轻量级权重模型yolov3-tiny.weights

1、针对金属表面缺陷检测中目标尺寸小和特征不清晰导致漏检的问题，应用YOLOv3算法对钢铁缺陷进行检测。首先概述了YOLOv3算法整体结构和原理，然后在YOLOv3网络结构的基础上,使用paddlex框架进行了实验。对实际生产中的钢铁缺陷图像采用数据增强操作进行预处理，进而进行模型训练，最后对测试集图像进行预测，并输出可视化结果。降低了检测中人力资源成本浪费，并减少废品钢铁产出。 2、本资源为小论文形式，并使用paddlepaddle进行实验，讲述较完整的实验流程。