yolo v2物体检测，windows版本，工具vs2015，x64和x86都已配置好。本人电脑没有安装CUDA，所以只测了no gpu版本。训练集yolo.weights可使用wget http://pjreddie.com/media/files/yolo.weights下载

YOLO 尝试使用YOLO网络摄像头。 步骤1：下载并将其保存到model_data/ 。 第2步：运行video.py 。 步骤3：尽情享受！

图像分类，检测及分割是计算机视觉领域的三大任务。图像分类模型（详情见这里）是将图像划分为单个类别，通常对应于图像中最突出的物体。但是现实世界的很多图片通常包含不只一个物体，此时如果使用图像分类模型为图像分配一个单一标签其实是非常粗糙的，并不准确。对于这样的情况，就需要目标检测模型，目标检测模型可以识别一张图片的多个物体，并可以定位出不同物体（给出边界框）。 --------------------- 作者：xiaohu2022 来源：CSDN 原文：https://blog.csdn.net/xiaohu2022/article/details/79600037 版权声明：本文为博主原创文章，转载请附上博文链接！

yolov2.weights，官方下载速度很慢很慢，5个积分良心价，省却烦恼，加油哦，么么哒，哼哼，what？

yolov2源码matlab版物体检测 资源 很棒的物体检测 很棒的对象建议 空客船舶检测挑战赛数据集 空中场景中物体检测的论文清单及相关应用资源 框架 FAIR的对象检测研究平台，实现了流行的算法，如Mask R-CNN和RetinaNet。 Pelee：移动设备上的实时对象检测系统。 该代码基于SSD框架。 Tesla和Jetson的TensorRT / Deepstream样本 NVIDIA TensorRT加速了TensorFlow模型 对象提案 库/ API，可使用大量现有的对象建议方法来生成边界框/区域建议 BING ++：100fps的快速高质量对象提议生成器 多尺度组合分组-对象提案和细分 显着性 Saliency Benchmark在6个具有挑战性的数据集上定性和定量地比较了42个最新模型（30个显着目标检测，10个注视预测，1个客观性和1个基线），以对显着目标检测和分割方法进行基准测试。 最小障碍物显着物体检测 用于计算图像显着性的python工具箱 cvpr2017论文“具有短连接的深度监督显着对象检测”的实现 CVPR 2017中发布的“具有短连接的深度监督显着

提出了一种多物体环境下基于改进YOLOv2的无标定3D机械臂自主抓取方法。首先为了降低深度学习算法YOLOv2检测多物体边界框重合率和3D距离计算误差，提出了一种改进的YOLOv2算法。利用此算法对图像中的目标物体进行检测识别，得到目标物体在RGB图像中的位置信息； 然后根据深度图像信息使用K-means++聚类算法快速计算目标物体到摄像机的距离，估计目标物体大小和姿态，同时检测机械手的位置信息，计算机械手到目标物体的距离； 最后根据目标物体的大小、姿态和到机械手的距离，使用PID算法控制机械手抓取物体。提出的改进YOLOv2算法获得了更精准的物体边界框，边框交集更小，提高了目标物体距离检测和大小、姿态估计的准确率。为了避免了繁杂的标定，提出无标定抓取方法，代替了基于雅克比矩阵的无标定估计方法，通用性好。实验验证了提出的系统框架能对图像中物体进行较为准确的自动分类和定位，利用Universal Robot 3机械臂能够对任意摆放的物体进行较为准确的抓取。

yolov2源码matlab版收集论文和其他资源，以使用深度学习进行对象检测和跟踪 静态检测 地区提案 使用深度神经网络的可扩展对象检测cvpr14 （，） 选择性搜索对象识别ijcv2013 （，） 神经网络 使用区域提议网络更快地实现实时对象检测的R-CNN tpami17 （，） Mask R-CNN （，（ ，，，， ）[Facebook AI研究] YOLO 您只需查看一次统一的实时对象检测ax1605 （，） YOLO9000更好，更快，更强ax16_12 （，） YOLOv3增量改进ax180408 （，） 固态硬盘 SSD单发MultiBox检测器eccv16_ax16_12 （，） DSSD反卷积单发检测器AX1701.06659 （，） 视网膜网 用于对象检测的功能金字塔网络ax170419 （，） 密集物体检测的焦点损失ax180207 （，） 杂项 使用卷积网络过分集成的识别，定位和检测ax1402 iclr14 （，） LSDA通过适配压区进行大规模检测14 ax14_11 （，） 视频检测 细管 利用卷积神经网络CVPR16从视频小管中检测目标 带有Tube

windows10一站式YOLOv2训练自己的数据集所需要的开发包

[英语] MobileNet-SSD 比YoloV2超快的MobileNet-SSD（MobileNetSSD）+神经计算棒（NCS）+ RaspberryPi的爆炸速度。 高精度的多运动物体检测。 视频播放和对象检测是异步执行的。 为了使用多棒实现高速渲染，它是在多线程/ OpenGL中实现的。 【警告】该存储库不支持NCS2。 【日文】 【USB摄像头+多处理高性能版】 下方，使用多个摇杆时，其性能是此存储库程序的三倍以上。 我建议您参考以下存储库。 变更记录 [2018年7月19日]对应于NCSDK v2.05.00.02 / OpenCV 3.4.2 / FPS视图[2018年

yolo2介绍