deep_sort_pytorch-master-yolov3配置好的代码，使用darknet版YOLOv3.weights权重

CSDN-tiny YOLO v3做缺陷检测实战。九月份用tiny-yolo v3做了一个缺陷检测的实验，效果出乎意料，准确率和召回率“满分”！

煤矿井下传送带在无煤或煤量较少的状态下长时间高速运转, 会耗费大量的电能. 为了节省井下传送带造成的电能损耗, 本文提出了一种边缘结构相似算法和YOLOv3结合的传送带空载判定方法. 通过边缘结构相似算法将结构特征和边缘特征相融合, 每相邻10帧比较图片的相似度, 连续比较3次判断传送带的运行状态. 若传送带运行, 则运用自适应锚框机制的YOLOv3模型, 检测传送带上的煤量, 最后判断传送带是否空载. 实验结果表明, 该方法可以有效准确的判断传送带的空载状态, 检测准确率达到96.85%.

YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。本课程将手把手地教大家使用labelImg标注和使用YOLOv3训练自己的数据集。课程分为三个小项目：足球目标检测（单目标检测）、梅西目标检测（单目标检测）、足球和梅西同时目标检测（两目标检测）。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。包括：安装Darknet、给自己的数据集打标签、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。Darknet是使用C语言实现的轻型开源深度学习框架，依赖少，可移植性好，值得深入探究。 购课后可加入白勇老师课程学习交流QQ群：957519975除本课程《YOLOv3目标检测实战：训练自己的数据集》外，本人推出了有关YOLOv3目标检测的系列课程，请持续关注该系列的其它课程视频，包括：《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》《YOLOv3目标检测：网络模型改进方法》 敬请关注并选择学习！

labelme标注工具生成的json文件内容格式转YOLOV3标签格式

深度学习PyTorch-YOLOv3

注意本次项目未写完，不过已经完成了模型训练，可以根据模型的训练写预测，因一些其他原因没有继续完成。

(84条消息) Yolo v3目标检测模型代码使用_Exploer_TRY的博客-CSDN博客_yolov3目标检测代码.html

历时一个多月之久，将YOLOV3-spp代码一行一行学习完毕，精心整理一份思维导图，思维导图分为训练部分和预测部分，包含模型搭建-->数据集加载-->损失函数计算-->评价等几部分，并将代码中隶属于不同功能的部分涂上了不同颜色，很直观，顺着思维导图的流程可以掌握YOLOv3实现的过程。链接放在这里。思维导图纯原创，可以自用，未经作者同意禁止传播！

文件中包含2618张口罩和不带口罩的图片，均由互联网收集。其中对于含有2618份对应标签文件（.txt）。标签编号为 Mask 0 No_Mask 1 还包含部分.xml标签文件。可用于自己转换。包括一个txts.py 用于划分训练和验证数据集。可用于yolov3直接训练，适用于大学生创造项目和毕业设计使用。打好标签方便使用。