介绍 一种转换工具，可将YOLO v3暗网权重转换为TF Lite模型（YOLO v3 PyTorch> ONNX> TensorFlow> TF Lite）和TensorRT模型（dynamic_axes分支）。 先决条件 python3 torch==1.3.1 torchvision==0.4.2 onnx==1.6.0 onnx-tf==1.5.0 onnxruntime-gpu==1.0.0 tensorflow-gpu==1.15.0 码头工人 docker pull zldrobit/onnx:10.0-cudnn7-devel 用法 1.下载预训练的Darknet权重： cd weights wget https://pjreddie.com/media/files/yolov3.weights 2.将YOLO v3模型从Darknet权重转换为ONNX模

基于YOLOv3深度学习的海雾气象条件下海上船只实时检测.pdf

加入关键点的darknet训练框架，使用yolov3实现了轻量级的人脸检测。借鉴AlexeyAB大神的 darknet 做适量修改。 使用scripts/retinaface2yololandmark.py脚本将retinaface的标记文件转为yolo的格式使用 其他编译训练都和原版darknet相同使用yolo_landmark.py进行测试，更换里面的模型配置文件即可。

网上找的工具都需要编译，因此打了一个exe的包直接使用，图像标注工具方便模型训练

该模型是基于YOLOv3和bosch数据集训练得到的，利用该模型可以直接用于交通标示的检测，包括图片、视频或从摄像头输入的数据，具体用法可以参考我个人相关文章，Thanks

yolov3-k-means darknet53 自动计算四舍五入 可直接拷贝anchors使用 单个文件，修改Annoations即可使用

yolo3介绍

内容包含采集好的训练数据、预训练模型以及相应的代码。

转载于https://blog.csdn.net/sxfd91307/article/details/94980559?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162737166216780366525358%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162737166216780366525358&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-1-94980559.pc_search_result_before_js&utm_term=%E5%B0%86voc%E6%95%B0%E6%8D%AE%E9%9B%86%E8%BD%AC%E6%8D%A2%E6%88%90yolo&spm=1018.2226.3001.4187，方便自己以后查找使用

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