tensorrt_demos 展示如何使用TensorRT优化caffe / tensorflow / darknet模型并在NVIDIA Jetson或x86_64 PC平台上运行推理的示例。 在Jetson Nano上以约4.6 FPS运行优化的“ yolov4-416”物体检测器。 在Jetson Nano上以约4.9 FPS的速度运行优化的“ yolov3-416”物体检测器。 在Jetson Nano上以27〜28 FPS运行优化的“ ssd_mobilenet_v1_coco”对象检测器（“ trt_ssd_async.py”）。 在Jetson Nano上以6〜11 FPS运行非常精确的优化“ MTCNN”面部检测器。 在Jetson Nano上以“每张图像〜16毫秒（仅供参考）”运行优化的“ GoogLeNet”图像分类器。 除了Jetson Nano，所有演

对图像或视频数据中的车辆进行检测是城市交通监控中非常重要并且具有挑战性的任务。该任务的难度在于对复杂场景中相对较小的车辆进行精准地定位和分类。针对这些问题，提出了一个单阶段的深度神经网络（DF-YOLOv3），实现城市交通监控中不同类型车辆的实时检测。DF-YOLOv3对传统的YOLOv3算法进行改进，首先增强深度残差网络提取车辆特征，然后设计6个不同尺度的卷积特征图，并与残差网络中相应尺度的特征图进行融合，形成最终的特征金字塔执行车辆预测任务。在KITTI数据集上的实验表明，提出的DF-YOLOv3方法在精度和速度上均能获得较高的检测性能。具体地，对于512×512分辨率的输入模型，基于英伟达1080Ti GPU，DF-YOLOv3获得93.61%的mAP（均值平均精度），速度达到45.48 f/s（每秒传输帧数）。特别地，对于精度，DF-YOLOv3比Fast R-CNN、Faster R-CNN、DAVE、YOLO、SSD、YOLOv2、YOLOv3与SINet表现更好。

以相机作为输入的视觉同时定位与建图(SLAM)系统在地图构建过程中虽然可以保留点云的空间几何信息,但是并没有完全利用环境中物体的语义信息。针对这个问题,对当前主流视觉SLAM系统和基于Faster R-CNN、YOLO等神经网络结构的目标检测算法进行研究。并提出一种有效的点云分割方法,该方法引入支撑平面以提升分割结果的鲁棒性。最后在ORB-SLAM系统的基础上,结合YOLOv3算法进行环境场景的物体检测并保证构建的点云地图具有语义信息。实验结果表明,所提方法可以构建几何信息复杂的语义地图,从而可应用于无人车或机器人的导航工作中。

Introduction 本项目主要对原tensorflow-yolov3版本做了许多细节上的改进, 增加了TensorFlow-Serving工程部署, 训练了多个数据集，包括Visdrone2019, 安全帽等, 安全帽mAP在98%左右, 推理速度1080上608的尺寸大概25fps. 此项目步骤十分详细，特别适合新手入门serving端部署，有什么问题可以提issues, 如果觉得好用记得star一下哦，谢谢！下面是改进细节: 1. 修改了网络结构，支持了tensorflow-serving部署,自己训练的数据集也可以在线部署, 并给出了 docker+python_client测试脚本, 支持HTTP跟GRPC协议[ 0325 新增 ] 2. 修改了ulits文件，优化了demo展示,可以支持中文展示,添加了支持显示成中文的字体 3. 详细的中文注释,代码更加易读,添加了数据敏感

只有一个yolov3.cfg只有一个yolov3.cfg只有一个yolov3.cfg只有一个yolov3.cfg只有一个yolov3.cfg

从零开始在win10+vs2015上运行YOLOv3,记得在x64 debug下运行，相关文件需要另外准备，压缩包内的截图里面有完整路径。参考博文：https://blog.csdn.net/qq_22199831/article/details/104713533

yolov3封装的动态链接库及调用,不含权重和测试数据，下载后需要修改yolov3.cfg和names文件

基于yolov3的安全帽检测及其训练数据集 数据集地址：链接: https://pan.baidu.com/s/14Bf0mk0Y-R4tsoQXhmI7Qg 提取码: eajs

yolo3_tiny 预训练文件 yolo3_tiny 预训练文件 yolo3_tiny 预训练文件 yolo3_tiny 预训练文件 yolo3_tiny 预训练文件

用matlab搭建了基于mobilenet主框架的yolov3，matlab直接读取权重进行卷积计算，进行测试。对于理解mobilenet_yolov3有很大帮助，同时在进行FPGA移植过程中，可以很方便的做到每层比对。