基于yolo v3的模糊人脸检测，测试代码。即可测试图片，也可测试视频。训练的模型可发邮件2750950495@qq.com给我。

前段时间用到了yolov3训练自己的数据集，发现里面的voc_label.py xml标签文件转成txt文件，稍微有点不太方便。所以在它的基础上自己稍微改了下，以便日后使用。下面是代码： import xml.etree.ElementTree as ET import pickle import os from os import listdir, getcwd from os.path import join # ！！！！！！！！！ # 使用说明： # 1：在存放xml的文件夹里使用cmd命令：dir /b /on /a /s >list.txt 生成xml的list.txt列表

火车卷积神经网络-YOLO算法 在这个项目中，我将讨论YoloV3体系结构以及如何在自定义数据集上进行训练，我将逐步解释如何使用Darknet框架来实现它。 介绍 什么是物体检测？ 对象检测如何工作？ YOLO-您只看一次 YOLO v3。 网络架构 特征提取器 功能检测器 完整的网络架构 如何在自定义数据集上训练YOLOv3 资料准备 贴标 准备好文件进行培训 训练模型（Darknet框架） 使用自定义权重进行对象检测 介绍 什么是物体检测？ 对象检测是一种包含对象分类和对象本地化两个任务的技术。 它是经过训练可检测多种类别的对象的存在和位置的模型。 它可以用于静态图像，甚至可以实时用于视频。 来自图片 对象检测如何工作？ 对象检测找到对象并在其周围绘制一个边界框。 这是一种与计算机视觉和图像处理有关的计算机技术，用于自动驾驶汽车，面部识别，行人检测等。...最新的算法

针对未来战场感知体系的自动化和智能化的需求，设计出了一种基于深度学习的战场红外目标检测系统。近年来随着深度卷积神经网络在图像识别领域的广泛应用，因此将这项新技术应用于军事目标检测具有极强的现实意义。系统通过红外成像机芯采集红外图像，使用图像采集卡实时传输图像数据，最后在主机端利用深度卷积神经网络进行目标检测。以YOLOv3算法作为基础，以某款金属车辆模型为例，采集该型车辆的红外图像数据并制作相应的数据集，训练得到相应的检测内核。通过实验证明，检测速度可达在30 帧/秒以上，且在fps达到30的前提下平均识别精度达到70%以上，不仅具有很好的实时性、准确性，对各种环境变化具有较好的鲁棒性，验证了该系统的可行性和军事应用价值。

针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。

YOLOv3改进方法增加特征尺度和训练层数-附件资源

本课程内容分为5个部分： 1.海思35xx SDK资料梳理以及SVP相关文档详细介绍 2.将darknet框架训练出来的yolov3模型转换成caffemodel 3.RuyiStudio工具的安装及其使用 4.Windows上仿真代码的运行以及代码分析 5.开发板上的sample代码的运行以及代码分析 本课程特色： 1. 不是照本宣科，着力把背后的原理讲清楚。 2. 实用性很强。 目标检测算法是计算机视觉基本任务之一，而YOLOv3则仍然是目前工业界中应用非常广泛的算法模型，从速度、准确度以及易用性的trade-off来看，它目前仍然是最好的算法模型之一。

网上搜pytorch实现yolov3的各类教程或多或少都存在着一些坑，这些坑可能会耽误你1天甚至2天的时间，本人综合网上各方面资料以及自己亲身踩坑经验后，对原工程进行了些许改动，同时增加了一些预处理工具，你可以通过阅读本人总结的详细使用文档，将本资源中提供的工程包轻松快速地在windows10和linux两个环境下实现(均已验证可行)，完成训练自己的数据集，查看训练结果等

用于目标检测网络yolov3的学习交流。

rv1126linux环境配置和PC端仿真yolov3，板端运行yolov5.