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。

yolov3-spp训练后的权重文件yolov3-spp-ultralytics.pt，可当作预训练权重，也可以当作检测权重

这里面的文件匹配着我的文章《记录yolov3实现过程》，包含cuda，cudann，opencv，labelme，labelimg，yolov3.weights

一套完整的pytorch版yolov3的训练所需，包括完整代码（包括怎么数据预处理），官方的2个预训练模型，100张已经标注好的voc格式的数据方便用于训练，以及自己亲自写的如何训练自己的数据的详细文档

tensorflow-yolov4-tflite YOLOv4，YOLOv4-tiny在Tensorflow 2.0中实现。 将YOLO v4，YOLOv3，YOLO tiny .weights转换为.pb，.tflite和trt格式以生成tensorflow，tensorflow lite和tensorRT。 下载yolov4.weights文件： ://drive.google.com/open id 1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT 先决条件 Tensorflow 2.3.0rc0 性能 演示版 # Convert darknet weights to tensorflow # # yolov4 python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 # # yolov4-tiny python save_model.py --weights ./data/

针对VOC2007数据集，9963张RGB图片，9963个xml文件。 搭建YOLOv3模型，加载Darknet-53权重，从头开始手动训练调参。 最后检测精度非常高，针对如此复杂的数据集都能达到70%以上。