目标检测YOLOv3算法

在运行目标检测典型算法yolov3时，有不同的神经网络可供选择，该文件是tiny版本，文件提供了神经网络中不同类型的层的配置参数包括batch_size, width,height,channel,momentum,decay，learning_rate等。

代码我已经改好了，各位小伙伴要做的就是替换darknet版本下的src和example然后重新make既可使用，注意：这不是darknetAB的windows版本，ubuntu专用

本资源用于自身备份使用，以防资源的丢失，因此并非单纯为了获得大家的积分，但获取资源有时也并非一件轻松的事情。这些资源大家可以通过网络搜索获取，如不想麻烦也可以直接下载。

YOLO v3对象检测器的PyTorch实现 [更新]：此存储库用作我研究的驱动程序代码。 我刚刚大学毕业，并且在最终申请硕士学位之前非常忙于寻找研究实习/研究职位。 我暂时没有时间研究问题。 谢谢你。 该存储库包含用于基于实现的YOLOv3 的对象检测器的代码。 该代码是基于官方代码 ，以及原代码的PyTorch端口，通过。 该代码的目标之一是通过删除代码的冗余部分来改善原始端口（正式代码基本上是完全成熟的深度学习库，其中包括诸如序列模型之类的东西，而YOLO并未使用这些东西）。 我还尝试将代码保持在最低限度，并尽我所能对其进行记录。 从头开始构建此检测器的教程 如果您想了解如何从头开始自己实现此检测器，则可以阅读我在Paperspace上撰写的非常详细的5部分教程系列。 非常适合想要从初学者过渡到中级火炬手的人。 到目前为止，该代码仅包含检测模块，但是您应该很快会收到培训模块。 :

包含训练好的权重（人+车）+源码+行人检测追踪原视频+车辆检测追踪原视频。 基于Python+Pytorch+DeepSort

VOC火焰已标注数据集300张——体验版

视频图matlab代码 Tracking_by_detection A Python3-based system use yolov3/KCF&DSST/KF to detect,tracking and estimate the target（people and cars） location. 这是我的本科毕设项目，主要通过YOLOv3识别，利用KCF-DSST-APCE完成抗遮挡的尺度变化跟踪，并用卡尔曼滤波估计位置。 视频效果/video ： Test environment Intel Core i5-8300H Nvidia GTX 1050Ti Ubuntu 18.04LTS Python3 OPENCV3.4.4 Requirements CUDA9.0 CUDNN7 Python3 OPENCV Numpy Numba Code structure yolo.py:detect fhog.py:give fhog feature tracker.py:track run.py:basic framework run2.py:add more visualization

针对原始YOLOV3目标检测算法在车辆检测任务中存在的实时性不高的问题,提出了一种改进的车辆检测模型。该模型使用反残差网络作为基础特征提取层,以减少参数量,降低计算复杂度,解决梯度消失和梯度爆炸问题。并且使用组归一化降低批量大小对模型准确性的影响,同时用软化非极大值抑制降低漏检率,使用Focal-loss改进损失函数,使模型在训练时聚焦于难分类样本。改进后的模型参数量为YOLOV3的36.23%,每帧检测时间较YOLOV3降低了13.8 ms,平均类别精度提高了1.15%。结果表明,本文算法兼顾实时性和准确性,为车辆的实时性检测提供参考。

在TensorFlow 2.3中实现的YOLOv3 [] 前言 此仓库源于zzh8829/yolov3-tf2基础上进行修改的，zzh8829/yolov3-tf2代码仓库地址：https://github.com/zzh8829/yolov3-tf2 修改后的版本是基于Python3、TensorFlow2.3版本、opencv-python4.4 的进行开发的。 主要特点 TensorFlow 2.3 带有yolov3 预先训练好的权重 带有yolov3-tiny 预先训练好的权重 提供接口案例 转移学习示例 使用tf.GradientTape进行Eager模式训练 使用model.fit进行Graph模式训练 具有tf.keras.layers的功能模型 使用tf.data的输入管道 Tensorflow服务 向量化转换 GPU加速 简洁地实现 遵循最佳做