为解决在嵌入式设备上实时、高精度检测司机安全驾驶监督的问题，本文基于目标检测中经典的深度学习神经网络YOLOv3-tiny，运用通道剪枝技术成功在目标检测任务中实现了模型压缩，在精度不变的情况下减少了改进后神经网络的计算总量和参数总数.并基于NVIDIA的推理框架TensorRT进行了模型层级融合和半精度加速，部署加速后的模型.实验结果表明，加速模型的推理速度约为原模型的2倍，参数体积缩小一半，精度无损失，实现了高精度下实时检测的目的.
2021-10-07 09:07:36
1.28MB
1
利用海思HI3559平台，来实现yolov3实时的输入输出识别处理，经过实际测试，海思3559平台可以达到8帧/s的识别速度。
本课程详细介绍了该算法实现的原理，框架以及过程，详细解释了源代码，并且已经将实现的代码上传课件，学员可以下载后直接实现该算法。
2021-09-29 14:38:46
1.92MB
1
本功能包是darknet_ros功能包，基于COCO数据集的80类目标实时检测源代码，按照我博客的步骤简单编译即可运行。实现摄像头输入的实时检测目标并通过ros话题发布目标类型和置信度等消息。由于我编译好的功能包体积太大超过上传的限制，所以很遗憾不能直接上传，先自己改，如果自己实在改不了的话，可以私信我获取我编译好的完整功能包与模型。
2021-09-27 15:35:36
143.93MB
1
国外官网上下的yolov3.weights权重，容易的断，不太好下，好不容易下载成功，230多兆，有需要的朋友可以下载。
2021-09-24 10:46:40
219.95MB
1
YOLOv3 tensorflow：用TensorFlow实现的YOLOv3目标检测
2021-09-22 12:49:06
140.89MB
1
针对新冠肺炎防控期间肉眼识别判断行人是否佩戴口罩效率低且存在较大风险的问题, 提出一种改进检测目标边框损失的自然场景下行人是否佩戴口罩的检测算法. 该算法对YOLOv3损失函数进行改进, 应用GIoU计算目标边界框损失, 完成自然场景下行人是否佩戴口罩的检测. 算法在开源的WIDER FACE数据集和MAFA数据集上训练, 采集自然场景图片进行测试, 行人是否佩戴口罩的mAP (mean Average Precision)达到了88.4%, 取得了较高的检测准确率, 在自然场景视频检测中平均每秒传输帧数达到38.69, 满足实时检测的要求.
2021-09-20 15:36:01
1.35MB
1
[YoLoV3目标检测实战] keras+yolov3训练自身的数据集
本文用keras版本的yolov3来训练人脸口罩数据集，从而完成一个简单的目标检测。
首先先上目标检测效果，准备好了吗？ go！go！go！
看到 目标检测的效果之后，你心动了吗？心动不如行动，让我们放手去干！撸起袖子加油干！
一、环境要求
Python： 3.7.4
Tensorflow-GPU 1.14.0
Keras: 2.2.4
古人云：“工欲善其事必先利其器”。
我们首先要搭建好GPU的环境。有了GPU的环境，才能跑得快！！！
这里为了方便，就用anaconda的conda命令来搭建环境，执行以下几条命
2021-09-13 11:10:06
1.69MB
1