基于YOLOv4的轴承故障识别系统的设计与实现代码大全.doc基于YOLOv4的轴承故障识别系统的设计与实现代码大全.doc基于YOLOv4的轴承故障识别系统的设计与实现代码大全.doc

yolov4-deepsort 使用YOLOv4，DeepSort和TensorFlow实现的对象跟踪。 YOLOv4是一种先进的算法，它使用深度卷积神经网络来执行对象检测。 我们可以将YOLOv4的输出输入这些对象检测到Deep SORT（带有Deep Association Metric的简单在线和实时跟踪）中，以创建一个高度精确的对象跟踪器。 关于对象的对象跟踪器的演示 汽车上的对象跟踪器演示 入门 首先，请通过Anaconda或Pip安装适当的依赖项。 我建议使用GPU的人使用Anaconda路由，因为它可以为您配置CUDA工具包版本。 conda（推荐） # Tensorflow CPU conda env create -f conda-cpu.yml conda activate yolov4-cpu # Tensorflow GPU conda env create -

基于C++_opencv_dnn实现实时离线视频进行推理和运算

目标检测笔记——基于win10实现用darknet-yolov4结合opencv用C++实现实时检测，本方法没有用DNN推理，直接用opencv以及c++以及YOLOv4自带的yolo_v2.hpp,能很方便的部署到工业环境中

torchvision0.8

PyTorch_YOLOv4

python获取yolo格式数据集的训练集与测试集

摘要 输电线路是国家电力系统中负责电能输送的一个重要的组成部分。架空输电 线路长期经历着电闪雷击、风吹日晒、污秽、雨雪及沉陷等外界环境的侵害。目 前传统的电力巡检仍是人工巡检，新型技术利用无人机搭载高分辨摄像机，近距 离拍摄线路及其关键部件获取航拍图像来代替人工巡检。其中，航拍图像中输电 线路部件的识别及缺陷检测是关键技术也是技术难点。本文提出一种利用 Mask R-CNN 技术提取绝缘子串珠的掩膜图像、采用 Yolo-v3 和 Yolo-v4 进行对照，通 过神经网络模型对其绝缘子自爆区域进行特征提取，特征判断，识别定位。具体 流程如下：针对问题一中绝缘子串珠分割，本文根据不同绝缘子类型进行图像类别划 分，通过图像分割优化模型对小目标进行数据集制作。采用 Mask R-CNN 为框架 构建了深度学习算法，并以算法为核心搭建了绝缘子串图像检测平台。最后选取 数据集 80%进行模型训练，20%进行测试，使用极大值抑制算法，得出最佳先验 框（best_anchor），对经过模型得出的绝缘子掩模图与官方的绝缘子掩模图进行 计算，求出评价模型的 Dice 系数为 0.83

YOLOv4:目标检测的最佳速度和精度,YOLOv4: Optimal Speed and Accuracy of Object Detection全文翻译PDF

YOLOv4+SORT多目标跟踪