基于darknet，划分的数据集，在使用trans数据训练出模型后，使用test数据集，测试模型性能，计算mAP指数。

PyTorch-YOLOv3-master物体检测

从零开始在win10+Qt上运行YOLOv3 运行前先准备文件，压缩包内有截图 编译前先设置项目编译输出路径，然后清理项目，执行qmake，最后在release下运行 参考博文:https://blog.csdn.net/qq_22199831/article/details/104713533

yolov3 训练好的权重方便加载，亲测可用亲测可用亲测可用亲测可用亲测可用亲测可用亲测可用亲测可用

打开VINO-YoloV3 YoloV3 / tiny-YoloV3 + RaspberryPi3 / Ubuntu笔记本电脑+ NCS / NCS2 + USB摄像头+ Python 灵感来自 作为移动应用程序的性能比较（基于感官比较） ◯=高，△=中，×=低 没有。 模型 速度 准确性 适应距离 1个 固态硬盘 × ◯ 所有 2 △ △ 短距离 3 × ◯ 所有 4 ◯ △ 远距离 我的文章 变更记录 [2019年3月1日]提高准确性。 修复了预处理和后处理错误。 [2019年3月17日]添加了带有您自己的数据集的训练过程。 [2019年4月3日]开始在Open

pytorch yolov3可运行，里面有具体的运行示例，也可以参考博客的讲解，有任何问题欢迎提出

YOLOv4 / Scaled-YOLOv4 / YOLO-用于对象检测的神经网络（Windows和Linux版本的Darknet）

火焰已标注数据集500张，已标注，yolo

yolov3火焰烟雾数据集，4千多张，全部已标注。并且本人用yolov3跑了一下，可以正常识别

对kera-yolov3源代码进行一定修改，可直接用于windows环境下执行目标检测；其中包含了已下载的权重文件yolov3.weights以及生成的模型model_data/yolo.h5，还包含了image下用于检测的图片