YOLO训练和检测均是在一个单独网络中进行。YOLO没有显示地求取region proposal的过程。而rcnn/fast rcnn 采用分离的模块（独立于网络之外的selective search方法）求取候选框（可能会包含物体的矩形区域），训练过程因此也是分成多个模块进行。Faster rcnn使用RPN（region proposal network）卷积网络替代rcnn/fast rcnn的selective search模块，将RPN集成到fast rcnn检测网络中，得到一个统一的检测网络。

该资源是训练好的yoloV3的模型，下载该资源并放置到准确位置，即可运行官方demo，为了大家方便下载，故上传。

此图是yolov3可是画图，可以用tensorboard打开，如果需要pb文件，请联系作者

yolov3的cfg配置文件以及weights文件，测试帧数达到40+，精度高

乌班图yolov3 darknet环境下，110张火焰烟雾图片，labelimg数据标注软件，图片处理后的xml文件，训练前的相应配置文件，及训练后的文件。 附yolo darknet学习网址，训练说明网址，继续训练说明网址 由于图片数量有限，同时受数据标注位置的影响，训练好的文件在识别有红色干扰的图片及视频的情况下，会将非火焰识别成火焰

YOLO3 目标识别在OpenCV3.4.2中用C++实现。YOLO: Real-Time Object Detection,You only look once (YOLO) is a state-of-the-art, real-time object detection system. On a Pascal Titan X it processes images at 30 FPS and has a mAP of 57.9% on COCO test-dev.我用i7 8700K CPU跑，每张图片只需要160ms左右，速度还是蛮快的了。

yolov3，caffe模型，包含yolov3.caffemodel以及yolov3.prototxt文件

包含五百张训练样本和标签 tensorflow实现的yolov3 可搭配博客一起食用：https://blog.csdn.net/zmdsjtu/article/details/102845590

_嵌入SENet结构的改进YOLOV3目标识别算法，论文，非常好的学习YOLO的论文。

此pb文件对应tensorflow c++做推理使用，具体结合博文代码