由于电力线路绝缘子的故障导致输电系统的故障，基于架空平台的绝缘子检测系统得到了广泛的应用。绝缘子缺陷检测是在航空图像的复杂背景下进行的，这是一个有趣但具有挑战性的问题。基于手工特征或浅层学习技术的传统方法只能在特定检测条件下定位绝缘体并检测故障，例如在有足够的先验知识、背景干扰较低、特定物体尺度或特定照明条件下。本文讨论了利用航空图像自动检测绝缘子缺陷，精确定位从实际检测环境中采集的输入图像中出现的绝缘子缺陷。我们提出了一种新的深度卷积神经网络（CNN）级联结构，用于定位和检测绝缘子中的缺陷。级联网络使用基于区域建议网络的CNN将缺陷检测转化为两级目标检测问题。为了解决实际检测环境中缺陷图像的稀缺性，还提出了一种数据增强方法，该方法包括四个操作：1）仿射变换；2） 绝缘子分割与背景融合；3） 高斯模糊；亮度变换。使用标准绝缘子数据集，该方法的缺陷检测精度和召回率分别为0.91和0.96，可以成功地检测出各种条件下的绝缘子缺陷。实验结果表明，该方法满足绝缘子缺陷检测的鲁棒性和准确性要求。

用于目标检测网络yolov3的学习交流。

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Pytorch0.4的YOLO-v3-tiny实现代码，可直接调用摄像头实现目标检测的运行，改代码基于coco数据集，可检测出80个类。

YOLO和SORT，以及它们的ROS版本 此回购涵盖 YOLO安装 YOLO-ROS版本安装最高v4 SORT安装 SORT C ++版本“已实现” SORT ROS版本“已实现” 带有“实施”的ROS的YOLO + SORT 检查每个文件夹〜

苹果数据集-适应于yolov3模型，包括处理的代码、苹果原始图片(414张)、预处理后的图片(828张)(数据增强和图片的resize和填充)和.xml文件。图像标注工具为labelimg(预选框的形式标注)。

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。 :

小目标、飞机相互遮挡等难以检测的问题,对飞机检测的准确性及实时性提出很大的挑战。将实时性较高的YOLO v3算法应用到机场场面飞机检测领域,并提出两点改进:将骨干网络中的卷积层替换为空洞卷积,保持较高分辨率及较大感受野,提高模型对小目标检测的准确率;通过线性衰减置信得分的方式,对非极大值抑制(NMS)算法进行优化,以提升模型对被遮挡飞机的检测能力。结果表明,改进后的YOLO v3能够较好地检测小目标和遮挡飞机,且在保证实时性的前提下,将检测准确率从72.3%提高到83.7%。

计算机视觉中目标检测的最新算法Yolo v3，相较于Yolo,Yolo v2 有了大幅度提升。

YOLO V3 目标识别模型在安卓移动端的实现，可以安装在安卓手机上，亲测可用