提出一种基于YOLO v3的深度卷积神经网络检测识别数字钻孔图像裂隙自动识别方法。首先详细阐述了新版本YOLO v3目标检测原理,然后选取煤矿井下钻孔图像在VOC 2007上制作数据集,采用Darknet-53的网络结构进行训练。试验结果表明基于的YOLO v3的钻孔图像裂隙检测方法可以快速准确识别,为围岩裂隙机器的视觉识别提供了新技术支持。

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

Windows10下Darknet Yolo v3安装教程2019.6-附件资源

环境要求：Python >= 3.5；OpenCV；PyTorch >0.4 预训练权重文件https://pjreddie.com/media/files/yolov3.weights 下载完毕放在根目录下就可以。 待检测图片放在imgs，输出结果在det文件夹下 python detect.py 参考：https://github.com/ayooshkathuria/pytorch-yolo-v3 原版无输出图片，查阅资料后修改完毕。直接运行detect.pyjike 输出结果。

windows下，Yolo_v3报错Blas SGEMM launch failed : m=1384448, n=32, k=64的解决办法

带有OpenCvSharp4的YOLO3 这是使用C＃通过shimat的实现pjreddie的的演示。 更多详细信息，请查看artile博客： 结果

yolo v3的网络结构，用于目标检测，语义分割，内容较多，此处仅仅只是其网络结构。

[目录] K210 YOLO V3框架 这是一个清晰，可扩展的yolo v3框架 实时显示召回率和精度 易于与其他数据集一起使用 支持多个模型主干并扩展更多 支持n个输出层和m个锚点 支持模型重量修剪 便携式型号用于Kendryte 芯片 Voc培训 设置环境 在ubuntu 18.04， Python 3.7.1测试，在requirements.txt其他测试。 准备数据集 首先使用脚本： wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar t

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。

YOLO V3神经网络Windows 7平台下的配置和单步调试（Windows 7+VS2015+CPU）-附件资源