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

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，