基于YOLOv3的行人检测

由于工程项目太大，所以里面是一个百度网盘分享，大家可以自行下载

本资源为YOLO v3目标检测算法的PyTorch实现（出处：https://github.com/ayooshkathuria/pytorch-yolo-v3），本压缩包中包含了240MB的预训练网络文件，方便难以访问国外服务器的同学下载。

VS2017编译的最新的OpenCV4.0（20180821版本，非3.4.2）+最新版contrib，可以跑yolov3,x64的release和debug

在我的博客https://blog.csdn.net/z649431508/article/details/82191036有详细的训练单类检测物体的说明，这个文件是训练集和测试集整理的文件，可以直接放到代码离去训练，详细说明文件在博客里有记载。

yolo，yolov2和yolov3的论文原文，属于单阶段目标检测的代表性作品，对检测速度有很大提升，可以细细读一读

一个小的数据集包含了882张汽车的图片（车牌较为清晰），其中153张图片打了标签，生成了xml文件

Exporting loaded COCO weights as TF checkpoint(yolov3.ckpt) and frozen graph (yolov3_gpu_nms.pb) .

通过java代码使用yolov3的示例代码，yolov3是先进的图片内物品识别的神经网络。由于目前通过jvm运行神经网络效率较低，项目的示例意义大于实用意义。 此项目参考了yolov2的java项目：https://github.com/szaza/android-yolo-v2，是在这个项目的基础上改造成的yolov3示例。 此项目使用springboot和maven，下载项目和依赖后运行起来访问localhost:8080即可使用。项目内的模型和依赖比较重，下载需要一段时间。

二次开发 labelImg - 中文版 热键 Ctrl + u 从目录加载所有图像 Ctrl + r 更改默认注释目标目录 Ctrl + s 保存 Ctrl + d 复制当前标签和矩形框 Space 将当前图像标记为已验证 w 创建一个矩形框 d 下一张图片 a 上一张图片 del 删除所选的矩形框 Ctrl++ 放大 Ctrl-- 缩小 ↑→↓← 键盘箭头移动选定的矩形框 工具说明 生成Yolov3目录 选择目录自动生成Yolov3目录结构 data\backup data\cfg data\obj 标注图片目录 生成Yolov3标注 选择自动生成的Yolov3 自动读取data\obj目录生成 data\train.txt data\voc.data data\voc.names 注： 生成标注目录请切换YOLO 模式