Darknet版YOLOv4人脸和口罩检测： 1、包含训练好的weights权重文件，以及后缀为cfg、data、names的配置文件，并包含训练map曲线和loss曲线，map到90%多 2、包含8000多张口罩检测数据集，类别名为face和face_mask，标签格式为txt和xml两种，分别保存在两个文件夹中 3、检测效果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

YOLObile 这是的实现使用。多亏了原作者。 arXiv： ：//arxiv.org/abs/2009.05697在AAAI 2021中进行 对于那些可能对编译器代码（如何将其部署到Android上）感兴趣的人：编译器源代码与我们在William＆Mary的合作者相关联，并且具有与IP相关的联合知识。我们现在没有计划将此部分开源。带来不便敬请谅解。 对于IOS开发人员：由于高度开源的优势，我们仅使用Android平台来构建和测试编译器。我们还相信可以在Apple IOS平台上应用相同的技术，但我们尚未对其进行测试。 介绍 物体检测技术的Swift发展和广泛应用引起了对物体检测器的准确性和速度的关注。但是，当前的最新对象检测工作要么使用大型模型以准确性为导向，但会导致高延迟，或者使用轻量级模型以速度为导向，但会牺牲准确性。在这项工作中，我们提出了YOLObile框架，该框架是通过压缩

人工智能-项目实践-图像识别-基于PyTorch&YOLOv4实现的口罩佩戴检测自建口罩数据集分享 本项目是利用YOLOv4进行口罩佩戴检测，使用PyTorch实现。虽然现在国内疫情基本得到有效遏制，但防控仍不可过于松懈，在一些公共场合佩戴口罩还是必不可少的。基于此，自己做了该项目，后续打算继续改进，争取将其运行到边缘设备上。希望本项目能给疫情常态化防控出一份力，也希望真正的新年早日到来。

Csdn上上传的代码都是完整的，大家也可以下载其他项目练手，丰富自己的简历也不错。 博客演示地址：https://blog.csdn.net/qq_34904125/article/details/124913192 其他小项目完整代码： https://blog.csdn.net/qq_34904125?type=download 算法部分 本次是口罩目标检测 数据集原图放在009yolov4口罩目标检测识别\dataset\JPEGImages路径下， 对应的xml标签放在009yolov4口罩目标检测识别\dataset\Annotations路径下。 打标签所使用的工具是labelimg工具。 数据集放好后，代码依次运行 python 01create_txt.py 会在本地生成train.txt文本 里面存放的是图片路径和对应的标签。 python 02train.py 会训练得到模型，模型自动保存在weights文件夹下。 python 03predict.py 可以对单张图片进行识别口罩 04pyqt界面.py 展示可视化的qt界面

YOLO v4模型和权值文件

YOLOv4权值文件YOLOv4权值文件

1、Darknet版YOLOv4烟雾检测训练模型，训练好的 权重文件，包含smoke.data , smoke.names, yolov4-smoke.cfg， yolov4-smoke_best.weights权重文件，并包含训练loss曲线和map曲线图， 2、检测结果见：https://blog.csdn.net/weixin_51154380/article/details/124480876 3、并附有2000+烟雾检测数据集，标签为VOC格式

yolov4 Tiny版本的预训练权重，提取了yolo v4的backbone层，可用作训练yolo-V4.

Yolo v4用于pytorch，tensorflow渴望模式和onnx（通过Trident api） 感谢 所有预先准备好的模型权重和cfg均来自官方网站： 还要感谢Ultralytics的项目，它确实很棒而且很有帮助。 yolo v4的搜索结果 让我们看看有关yolo v4（pytorch后端）的出色性能！！ 更新（5/3）：增强小物品 在yolo v4中，缺少缺少对小物件的检测的缺点。 我试图解决短缺问题。 我发现解决此问题的最佳方法是在stride = 8 Yolo Layer（76 * 76）中修改对象 您所需要做的就是设置YoloLayer small_item_enhance = True（仅效果76 * 76 head） for module in detector.model.modules(): if isinstance(module,Yolo

训练自己的数据集 感谢 大佬的开源！！！ DataXujing 我们以训练YOLOv4-P7为例，介绍如何基于Scaled YOLOv4训练自己的数据集 0.环境配置 python3.7 cuda 10.2 pytorch==1.6.0 torchvision==0.7.0 # mish-cuda # 使用预训练的模型 git clone https://github.com/thomasbrandon/mish-cuda mc cd mc # change all of name which is mish_cuda to mish_mish and build. # 1. mc/src/mish_cuda -> mc/src/mish_mish # 2. mc/csrc/mish_cuda.cpp -> mc/csrc/mish_mish.cpp # 3. in mc/setup.p