深度学习，目标检测框架yolov3，作为最经典的一步法的模型之一，在精度中等的情况下并保证了很快的速度。这里提供了官方训练好轻量级权重模型yolov3-tiny.weights

YOLO v4预训练权重文件yolov4.weights，解压即可用

yolov4文章，yolov4程序，以及yolov4预训练权重文件，结合opencv可以实时检测,效果相当的好。

主要介绍了keras读取h5文件load_weights、load代码操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

来自：https://github.com/yu4u/age-gender-estimation#changing-model-or-the-other-training-parameters

有关代码方法的详细信息，请参阅相应的论文“ Yue Wu，Brian Tracey，Premkumar Natarajan，Joseph P. Noonan：用于非本地均值图像降噪的James-Stein类型中心像素权重。 20(4): 411-414 (2013)" http://dx.doi.org/10.1109/LSP.2013.2247755

主要介绍了使用Keras 实现查看model weights .h5 文件的内容，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

SSD-512 VGG-based VOC07+12+COCO trainval VOC07 test ，如果需要300X300的可以去：https://download.csdn.net/download/qq_36396104/10792337

OpenCV-YOLOv3示例代码、预训练模型以及测试图像/视频。让我们看看YOLO如何在一张图片中检测目标。 首先，它把原图按比例平均分解成一张有13x13网格的图片。这169个单元会根据原图的大小而改变。对于一张416x416像素的图片，每个图片单元的大小是32x32像素。处理图片时，会以图片单元为单位，预测单位中的多个边界框。 对于每个边界框，这个网络会计算所包含物体的边界框的置信度，同时计算所包含的目标是属于一个特定类别的可能性大小。 非最大抑制（non-maximum suppression）可以消除低置信度的边界框，以及把同时包围着单个物体的多个高置信度的边界框消除到只剩下一个。

resnet50_weights_tf_dim_ordering_tf_kernels.h5 速度快，准确率高，参数不多