本数据集用于新手快速学习模型训练过程。（该数据集图片较少，训练出模型后识别准确率低，但可测试原数据集内图片。

使用YOLOv3，深度排序和Tensorflow进行对象跟踪 该存储库实现了YOLOv3和Deep SORT，以便进行实时对象跟踪。 Yolov3是一种使用深度卷积神经网络执行对象检测的算法。我们可以将这些对象检测结果馈入Deep SORT（具有Deep Association Metric的简单在线和实时跟踪），以便创建实时对象跟踪器。 入门 conda（推荐） # Tensorflow CPU conda env create -f conda-cpu.yml conda activate tracker-cpu # Tensorflow GPU conda env create -f conda-gpu.yml conda activate tracker-gpu 点子 # TensorFlow CPU pip install -r requirements.txt # Tenso

yolov3.pytorch 该存储库用于对象检测。该算法基于实现的。多亏了和，基于他们的工作，我在PyTorch中重新实现了YOLO v3，以实现更好的可读性和可重复使用性。 消息 完整版本的更新日志可以在问题看到 （2018/10/10）支持VOC数据集培训。 环境环境 Python 3.6 PyTorch 0.4.1 CUDA（不支持CPU） pycocoapi 火车 如何在COCO上训练 下载数据集和注释，并在config.py提供您下载的数据集的完整路径，如下所示'coco' : { 'train_imgs' : '/home/data/coco/2017/train2017' , 'train_anno' : '/home/data/coco/2017/annotations/instances_train2017.json' } 在ImageNet下载官

Visdrone数据集pytorch框架下YOLOv3训练结果，包含训练好的权重文件和各种训练曲线图，保存在runs/train文件夹下，附有相关场景下的测试视频和代码，代码为Ultralytics 版YOLOv3d代码

如果你想对小型和大型物体都要训练，使用修改后的yolov3的Tiny-model的配置文件，包含了3个yolo layers。

yolov3目标实时监测，实时识别。 可对人物，动物，自行车等多种目标实时识别。 运行环境： python+cv2+jupyter notebook+Keras

在HoloLens上运行YOLO 使用带有Microsoft HoloLens前端的YOLOv3进行对象检测。 该项目基于两个存储库： YOLOv3： ： HoloLens，Unity，Azure认知服务： : 这里的重点是合并这两个概念：用YOLOv3服务替换认知服务，并将其用于Unity项目中的HoloLens。

OpenCV-YOLOv3示例代码、预训练模型以及测试图像/视频。让我们看看YOLO如何在一张图片中检测目标。 首先，它把原图按比例平均分解成一张有13x13网格的图片。这169个单元会根据原图的大小而改变。对于一张416x416像素的图片，每个图片单元的大小是32x32像素。处理图片时，会以图片单元为单位，预测单位中的多个边界框。 对于每个边界框，这个网络会计算所包含物体的边界框的置信度，同时计算所包含的目标是属于一个特定类别的可能性大小。 非最大抑制（non-maximum suppression）可以消除低置信度的边界框，以及把同时包围着单个物体的多个高置信度的边界框消除到只剩下一个。

Pytorch和Jupyter Notebook中的YoloV3 该存储库旨在在Pytorch和Jupyter Notebook中创建YoloV3检测器。 与其他现有的实现相比，我正在尝试采用一种“ oop”方法，后者通过在读取配置文件来迭代地构建体系结构。 该笔记本旨在用于学习和练习，许多想法和代码段摘自各种论文和博客。 我会尽量发表评论。 您应该只需按Shift键即可进入笔记本的末尾并查看结果。 要求 Python 3.6.4 火炬0.4.1 Jupyter笔记本电脑5.4.0 OpenCV 3.4.0 图片0.2.6 Pycocotools CUDA支持 使用说明 $ gi

darknet版yolov3无人机检测训练权重，包括几万张图片训练好的yolov3-drone.weights和yolov3-tiny-drone.weights训练好的权重，并附上了测试的视频，用于检测空中的旋翼无人机，目标类别名为drone,有需要的可以下载