1、Darknet版yolov3烟雾检测训练模型，训练好的权重文件，包含smoke.data , smoke.names, yolov3 -smoke.cfg， yolov3 -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

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

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yolov3 visdrone数据集训练模型，训练结果文件，包含visdrone.data , visdrone.names, yolov3 -visdrone.cfg， yolov3 -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

darknet在windows10+VS2017+opencv3.4.1（C++）下编译与应用，关于darknet更多信息可以参考官网： https://pjreddie.com/darknet/tiny-darknet/ 相关的资源可以直接在官网下载。

Linux创始人LinusTorvalds有一句名言：Talk is cheap, Show me the code.（冗谈不够，放码过来！）。 代码阅读是从入门到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。 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。 YOLOv3的实现Darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。 本课程将解析YOLOv3的实现原理和源码，具体内容包括：      YOLO目标检测原理       神经网络及Darknet的C语言实现，尤其是反向传播的梯度求解和误差计算      代码阅读工具及方法      深度学习计算的利器：BLAS和GEMM      GPU的CUDA编程方法及在Darknet的应用      YOLOv3的程序流程及各层的源码解析本课程将提供注释后的Darknet的源码程序文件。 除本课程《YOLOv3目标检测：原理与源码解析》外，

下载很慢很慢

使用 "Darknet yolov3-tiny" 训练检测模型 1. 下载data.zip,提取码: j7c2. https://pan.baidu.com/share/init?surl=_Wgy_3mBgNREXXn7HRfAHw 2. 将data.zip解压到darknet.exe所在目录下. 3. 进入data/voc目录下运行voc_label.bat重新生成2019_train.txt, 2019_val.txt. 4. 修改cfg/yolov3-tiny.cfg 见文档 5执行 darknet.exe detector train data/voc.data cfg/yolov3-tiny.cfg 6. 训练过程 见文档

MobileNet-YOLO Caffe Caffe实现的MobileNet-YOLO检测网络，于07 + 12进行训练，在VOC2007上进行测试 网络 地图 解析度 下载 NetScope 推理时间（GTX 1080） 推理时间（i5-7500） MobileNetV2-YOLOv3 71.5 352 217毫秒 推断时间是来自日志，不包括预处理 腾讯/ ncnn框架上的cpu性能 部署模型是由，设置eps =您的prototxt batchnorm eps 旧型号请看 该项目还支持ssd框架，这里列出了与ssd caffe的区别 多尺度训练，推理时可以选择输入分辨率 从上次更新Caffe（2018）修改 支持多任务模型 更新 pytorch版本已发布 CNN分析仪 使用此比较macc和param，在07 + 12上进行训练，在VOC2007上进行测试 网络 地图 解析度