修剪后的OpenVINO-YOLO 先决条件 首先安装mish-cuda： : 测试平台：WIN10 + RTX3090 + CUDA11.2 如果您无法在设备上安装它，也可以尝试 开发日志 扩张 2021-2-25支持yolov4-tiny和yolov4-tiny-3l。请使用或修剪yolov4-tiny和yolov4-tiny-3l模型（提示：使用darknet调整修剪后的模型而无需加载权重）和转换权重 2021-3-13更新了Mish-cuda支持。增强了代码对yolov4的适应性（训练更快，内存占用更少） 介绍 当在OpenVINO上部署YOLOv3 / v4时，该模型的完整版本的FPS较低，而微型模型的准确性较低且稳定性较差。 完整版的模型结构通常被设计为能够在更复杂的场景中检测80个或更多的类。 在我们的实际使用中，通常只有几个类，而且场景并不那么复杂。 本教程将分享如何修

针对当前行人检测方法实时性和精度不能同时兼顾的问题,提出基于YOLOv3改进的实时行人检测算法。本算法对YOLOv3模型进行改进,融入标签平滑,增加多个尺度检测,并采用k-means算法得到模型中的anchors值,实现自动学习行人特征。通过在Caltech数据集上测试结果表明,改进后的YOLOv3行人检测算法mAP(mean Average Precision)达到了91.68%。在分辨率1 920×1 080的视频下,运行速度超过每秒40帧,满足实时行人检测的需求。在Daimler、INRIA行人检测数据集测试结果表明,该改进模型同样具有良好的性能,从而验证该模型具有良好的鲁棒性和泛化能力。

1、参考： opencv调用YOLOv3模型进行目标检测 基于python3的Opencv（一）-打开摄像头显示图像 python+OpenCV+YOLOv3打开笔记本摄像头模型检测 2、配置： 笔者的运行环境为： window 10 pycharm opencv-python Pytorch-YOLOv3 朋友们可下载笔者修改过的Pytorch-YOLOv3模型： Pytorch-YOLOv3使用步骤详解(win系统下） 3、步骤： 1. 建video文件 在一级文件下建立video.python file： 2. 添加代码 import numpy as np import cv2 im

现在网上能找到的博客我现在看起来很明白，虽然讲的很详细，但是对于几天前的我真的看不明白，因为新手会遇到各种各样毫无征兆的问题，所以我决定写一篇面向新手的如何去使用 yolo 和如何去做自己的数据集来训练属于自己的模型。因为我也是新手，所以不说原理，只谈操作方法。 因为东西很杂，我会把小东西分出去写，并且在本文中附上链接。 一、准备工作 1、事件前言： 简单介绍下情况，本人本科二年级，机器学习小白，操作系统:windows10 前阵子用 matlab 做图像识别项目时发现了 yolov3 算法，觉得很有意思，但是无奈当时还没有基于matlab 的版本（听说现在有了），所以就用 python 运行

python使用yolov3/yolov3-tiny训练好的权重文件.weights进行行人检测，批量测试自定义文件夹下的图片并输出至指定文件夹 目录 python使用yolov3/yolov3-tiny训练好的权重文件.weights进行行人检测，批量测试自定义文件夹下的图片并输出至指定文件夹 一、写在开头 二、已有的环境条件    1. pycharm–python    2. opencv3.4    3. 用yolov3训练好了自己的权重文件.weights ​ ​三、文件目录结构 ​四、批量测试图片测试程序 五、进行测试  六、写在最后 一、写在开头         最近在做毕业设计

yolov3_coco.tar.gz，附件是百度网盘上该资源的链接和提取码

用yolov3模型训练了口罩数据集，这是训练过程的笔记，免费下载与大家分享，欢迎讨论。

YOLOv3_breath_mask 基于YOLOV3的口罩可以检测到2020年新型冠状病毒，针对公共场所检测人员是否放置口罩，故用YOLOV3完成一个人体口罩替代检测。 效果展示 环境 的Python： 3.7.4 Tensorflow-GPU 1.14.0 Keras： 2.2.4 最好用性能强的螺丝训练，不然会很慢，而且可能会跑停 数据集 [口罩检测数据集]需要准备已经标注好的口罩数据集.jpg与.xml对应breath_anchors.txt中是先验框对应的大小breath_classes.tst中是放置对应数据集的类别 训练 准备数据集 按照VOC数据集的格式来准备数据集，以及图片以及xml标签 VOCdevkit -VOC2007 ├─ImageSets # 存放数据集列表文件，由voc2yolo3.py文件生成 ├─Annotations # 存放图片标

对yolov3进行TensorRT加速，大约提高30%的inference速度，仅供学习参考，请勿商业使用。

警告：此存储库已过时，因为我不幸没有时间对其进行维护。 如果您想作为合作者继续开发它，请给我发送电子邮件至 。 PyTorch-YOLOv3 YOLOv3的最小PyTorch实现，并支持训练，推断和评估。 安装 克隆和安装要求 $ git clone https://github.com/eriklindernoren/PyTorch-YOLOv3 $ cd PyTorch-YOLOv3/ $ sudo pip3 install -r requirements.txt 下载预先训练的体重 $ cd weights/ $ bash download_weights.sh 下载COCO $ cd data/ $ bash get_coco_dataset.sh 测试 在COCO测试中评估模型。 $ python3 test.py --weights_path weights/yolov3