在实习的期间为公司写的红绿灯检测，基于YOLOv3的训练好的权重，不需要自己重新训练，只需要调用yolov3.weights，可以做到视频或图片中红绿灯的检测识别。

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

（1）小目标在图像中所占像素很少，经过多层卷积之后提取得到的特不明显，为了改善 YOLOv3 的小目标特征提取性能，通过将原网络模型中经 2 倍降采样的特征图进行卷积分别叠加到第二及第三个残差块的输入端，以此增强浅层特征信息。同时，在第一个 8 倍降采样的特征图后连接 RFB 模块，增强特征提取能力。 (2) 原网络中采用多次步长为 2 卷积操作代替池化层来进行特征图的下采样操作，降低了特征的传递能力。为此，本文借鉴 Dense Net 的思想，采用密集连接的方式将浅层特征图直接传输到深层同尺度卷积层的输入端。这样不仅能增强浅层特征重用能力，而且还可以有效缓解梯度消失问题。 (3) 提出了基于泛化 Io U 的回归损失函数代替原回归损失函数。通过在损失函数中加入锚框与真实框中心点距离相关以及预测框与真实框面积相关的两个惩罚项，使预测框的定位更加准确；并同时解决了两框无交集时的梯度消失的问题。本文基于以上三点改进分别在 PASVAL VOC 数据集和 VEDAI 数据集上与原网络进行对 比实验。训练过程中，在训练批次相同的条件下训练时长相当。实验结果表明，上述三点同时作用于原 YOLOv3 网络时，在小目标检测上具有更低的漏检率，定位更加准确，且检测速度相仿。

YOLOv3改进方法增加特征尺度和训练层数-附件资源

为了避免人与物体之间相互遮挡，对小目标检测不准确，以及复杂光照强度对行人 检测的影响，针对这一问题，提出了一种多尺度聚类卷积神经网络 MK-YOLOv3 算法，来实现对行人的识别与检测。该算法是对 YOLOV3 进行改进，首先通过简单聚类对图像特征进行提取，得到相应的特征图，再通过抽样 K-means 聚类算法结合核函数确定锚点位置，以达到更好的聚类。针对小目标的浅层特征信息进行多尺度融合，提高小目标的检测效果。仿真结果验证了该算法在 VOC 数据集上对小目标识别的精度和速度上有较大提高，以及视频智能分析中有较高的召回率和精确度。

YOLOv3: 训练自己的数据 里面有训练数据，训练标签，训练list文件

yolov的matlab代码，根据自己需求更改训练样本

best4.pt，ckpt.t7，original_ckpt.t7文件下载

在HI3559A上实现YOLOV3，代码可以直接用，包括输入输出和NNIE对视频文件解析。代码已测试，可以直接使用

在PyTorch中实现YOLOv3