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

基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌检测与LPRNet实现车牌检测 基于pytorch深度学习框架，实用开源模型yolov4实现模板检测与yolov5实现车牌

1、Darknet版YOLOv4 visdrone数据集训练模型，训练结果文件，包含visdrone.data , visdrone.names, yolov4-visdrone.cfg， yolov4-visdrone_best.weights权重文件，并包含训练loss曲线和map曲线图， 2、用于检测各种俯视场景下的小目标，如行人、车辆等等

1、Darknet版YOLOv4无人机检测，drone检测，训练结果文件，包含drone.data , drone.names, yolov4-drone.cfg， yolov4-drone_best.weights权重文件，并包含训练loss曲线和map曲线图，在一万多张场景丰富、多尺度无人机数据集上训练得到的结果， 可以检测远、近、大、中、小各种无人机目标 2、包含YOLOv4和YOLOv4_tiny两种训练好的模型 3、目标类别名： drone

https://github.com/Tianxiaomo/pytorch-YOLOv4 google yolov4.pth(https://drive.google.com/open?id=1wv_LiFeCRYwtpkqREPeI13-gPELBDwuJ)

yolov4.conv.137.pth(https://drive.google.com/open?id=1fcbR0bWzYfIEdLJPzOsn4R5mlvR6IQyA)

yolov3 yolov4 channel and layer pruning, Knowledge Distillation 层剪枝，通道剪枝，知识蒸馏 yolov3-channel-and-layer-pruning 本项目以ultralytics/yolov3为基础实现，根据论文Learning Efficient Convolutional Networks Through Network Slimming (ICCV 2017)原理基于bn层Gmma系数进行通道剪枝，下面引用了几种不同的通道剪枝策略，并对原策略进行了改进，提高了剪枝率和精度；在这些工作基础上，又衍生出了层剪枝，本身通道剪枝已经大大减小了模型参数和计算量，降低了模型对资源的占用，而层剪枝可以进一步减小了计算量，并大大提高了模型推理速度；通过层剪枝和通道剪枝结合，可以压缩模型的深度和宽度，某种意义上实现了针对不同数据集的小模型搜索。 项目的基本工作流程是，使用yolov3训练自己数据集，达到理想精度后进行稀疏训练，稀疏训练是重中之重，对需要剪枝的层对应的bn gamma系数进行大幅压缩，理想的压缩情况如下图，

yolov4目标检测算法 ，一共1338张训练集，已标注好。可识别0 1 2 3 4 5手势，

将VOC格式文件放至data的文件夹 JPEGImages文件夹中存放数据图片 Annotations文件夹中存放与图片一一对应的标签文件 调整voc2yolo4.py文件中的trainval_percent 、train_percent的值，控制训练集、测试集、验证集的比例；调整完成后运行该文件，在data/ImageSets/Main文件夹中生成对应数据集的图片文件名 运行voc_annotation.py文件，运行前将文件中的classes列表替换为自己数据集的class的名字 运行后自动生成yolo_train.txt文件，文件中每一行的格式为图片路径和图片中标注框的位置以及分类，如下所示 data/JPEGImages/MVI_20011__img00001.jpg 592,378,752,540,3 557,120,604,163,2 545,88,580,118,2 508,67,536,92,3 553,70,582,89,7 731,114,783,153,2 902,250,960,357,3 修改train.py中的路径参数与自己电脑上的路径相匹配 classes

颜色分类leetcode 车辆识别API 介绍 用于 . Flask 服务器公开了用于汽车品牌和颜色识别的 REST API。 它由一个用于查找汽车的物体检测器和两个用于识别检测到的汽车的品牌和颜色的分类器组成。 对象检测器是 YOLOv4（OpenCV DNN 后端）的实现。 YOLOv4 权重是从 . 分类器基于 MobileNet v3（阿里巴巴 MNN 后端）。 完整版可识别车辆的品牌、型号和颜色。 这是一个测试它的网络演示： API 很简单：在端口 6000 上向本地主机发出 HTTP POST 请求。输入图像必须使用 multipart/form-data 编码发送。 它必须是 jpg 或 png。 在 Windows 10 和 Ubuntu Linux 下测试。 用法 服务器使用以下命令启动： $ python car_recognition_server.py 使用 curl 的请求格式为： curl "http://127.0.0.1:6000" -H "Content-Type: multipart/form-data" --form "image=@cars.jp