告知：需要学习YOLOv4进行TT100K数据集上中国交通标志识别的学员请前往(1) Ubuntu系统《YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29362(2)《Windows版YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29363 在无人驾驶中，交通标志识别是一项重要的任务。本课程中的项目以美国交通标志数据集LISA为训练对象，采用YOLOv3目标检测方法实现实时交通标志识别。具体项目过程包括包括：安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。YOLOv3基于深度学习，可以实时地进行端到端的目标检测，以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志的多目标检测。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架

Visdrone数据集pytorch框架下YOLOv3训练结果，包含3个训练好的模型YOLOv3-drone.pt、yolov3-tiny-drone.pt、YOLOv3-spp-drone.pt及其各种训练曲线图，保存在runs/train文件夹下，附有相关场景下的测试视频和代码，代码为Ultralytics 版YOLOv3版的代码，每个模型训练了150轮，

YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。本课程将学习YOLOv3实现darknet的网络模型改进方法。具体包括：? PASCAL VOC数据集的整理、训练与测试?? Eclipse IDE的安装与使用?? 改进1：不显示指定类别目标的方法 （增加功能）?? 改进2：合并BN层到卷积层 （加快推理速度）?? 改进3：使用GIoU指标和损失函数 （提高检测精度）?? 改进4：tiny YOLOv3 （简化网络模型）? AlexeyAB/darknet项目介绍除本课程《YOLOv3目标检测实战：网络模型改进方法》外，本人推出了有关YOLOv3目标检测的系列课程，请关注该系列的其它课程，包括：《YOLOv3目标检测实战：训练自己的数据集》《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》在学习课程《YOLOv3目标检测实战：网络模型改进方法》前，建议先学习课程《YOLOv3目标检测实战：训练自己的数据集》和课程《YOLOv3目标检测实战：交通标志识别》之一和课程《YOLOv3目标检测：原理与源码解析》。

用来将wider_face的数据集的标签清洗，防止出现段错误，训练中断的问题

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

times：2020/3/23 操作系统：win10 环境：python 3.6 因为我之前把所有内容写在一篇文章里非常的乱，所以本文主线是训练自己的 yolo.h5 去识别图像中的人，所有小细节的操作，我都在文中添加了链接，新手的话需要注意看一下。 // 有任何的问题都可以直接评论，还有资料的话直接留言邮箱，说明问题// //也可以评论下加下微信询问// 大家一起加油学习yolo，之后我会再出一篇详细介绍yolo代码的文章 如果你是 yolo 小白，或者环境配置等一直报错，请先参阅上一篇博文：keras-yolov3目标检测详解——适合新手 (环境配置、用官方权重识别自己的图片) 本文目的：

YOLOv3 tensorflow：用TensorFlow实现的YOLOv3目标检测

[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

可以在arm嵌入式上运行的检测代码，无需编译直接运行，已在树莓派上测试过

先放下视频效果吧：bilibili视频效果 pytorch版本 csgo设置： 鼠标设置中：灵敏度调8，关闭原始数据输入 视频设置中：窗口化运行，并拖放到屏幕左上角（我的移动鼠标的参数是根据这里的坐标写的，不然移动鼠标不准，大家可以自己测试下全屏时，移动鼠标的输入量和准星的移动对应关系） python库： 获取截图：PIL 目标检测：YOLOv3相关依赖 控制鼠标：pyautogui 代码是在Pytorch版yolov3代码中文注释详解基础上修改的， 基本是上文的原文，就自己按照理解修改了下注释。 完整工程下载连接 以下是我改的CSGO.py： 其中， 自己实测的数据：游戏中移动像素数=mo