本课程在介绍计算机视觉深度学习基本概念基础上，详尽讲解YOLOV3和YOLOV4的算法模型原理，并基于实际项目中的无人零售商品数据集来手把手教大家如何将它训练成YOLOV3和V4模型，最后对训练出来的模型集进行性能评估，从而挑选出最优模型。 课程主要分为九大章： 1。课程内容介绍、特色及其答疑2。计算机视觉深度学习基本概念及其yolo1,2,3的模型结构讲解3。darknet框架介绍及其安装4。darknet训练和推理代码的梳理5。基于darknet框架训练一个无人零售商品数据集 上半部6。基于darknet框架训练一个无人零售商品数据集 下半部7。模型评估指标（训练过程的loss和iou曲线显示，PR，RECALL，AP以及MAP的计算）8。YOLOV4算法模型原理讲解9。YOLOV4算法模型的训练和测试

自然场景OCR（YOLOv3+CTPN+CRNN）,附带整个项目代码，详细代码注释挺不错的一个资源，亲测可用，如果需要的话，就赶紧来下载吧!!

Visdrone数据集pytorch框架下YOLOv3训练结果，包含3个训练好的模型YOLOv3-drone.pt、yolov3-tiny-drone.pt、YOLOv3-spp-drone.pt及其各种训练曲线图，保存在runs/train文件夹下，附有相关场景下的测试视频和代码，代码为Ultralytics 版YOLOv3版的代码，每个模型训练了150轮，

python接口调用yolov3训练模型检测网页端的图片，只有一个python文件就可实现，只需要训练好的权重和names文件即可实现python接口调用。

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。本课程将学习YOLOv3实现darknet的网络模型改进方法。具体包括：? PASCAL VOC数据集的整理、训练与测试?? Eclipse IDE的安装与使用?? 改进1：不显示指定类别目标的方法 （增加功能）?? 改进2：合并BN层到卷积层 （加快推理速度）?? 改进3：使用GIoU指标和损失函数 （提高检测精度）?? 改进4：tiny YOLOv3 （简化网络模型）? AlexeyAB/darknet项目介绍除本课程《YOLOv3目标检测实战：网络模型改进方法》外，本人推出了有关YOLOv3目标检测的系列课程，请关注该系列的其它课程，包括：《YOLOv3目标检测实战：训练自己的数据集》《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》在学习课程《YOLOv3目标检测实战：网络模型改进方法》前，建议先学习课程《YOLOv3目标检测实战：训练自己的数据集》和课程《YOLOv3目标检测实战：交通标志识别》之一和课程《YOLOv3目标检测：原理与源码解析》。

天若OCR是一款文字提取工具，截图提取文字的辨别度高，而且是免费的，界面也比较简洁，这个工具也比较轻量。

实时社交 使用OpenCV中的实时视频流/ IP摄像机实时进行社交疏离。 这是对（ ）的改进/修改。 请参考添加的。 输出量 输出量 用例：实时计算商店/建筑物/大型购物中心等中的人数。 如果人们超出了社交距离限制，则向员工发送警报。 优化实时流以获得更好的性能（带有线程）。 充当解决COVID-19的措施。 目录 简单理论 对象检测： 我们将使用在COCO数据集上受过训练的YOLOv3进行物体检测。 通常，单级检测器（如YOLO）往往不如两级检测器（R-CNN）准确，但速度要快得多。 YOLO将对象检测视为回归问题，获取给定的输入图像，并同时学习边界框坐标和相应的类标签

calamari OCR引擎，使用Python3编写,基于OCRopy和Kraken构建,它的设计使你既可以方便的使用命令行运行，也可以把它模块化嵌入到其他python脚本中。 基于OCRopy和Kraken的OCR引擎使用python3。 它的设计既易于从命令行使用，又可以模块化，以便从其他 Python 脚本进行集成和定制。 预训练模型库 预训练模型可在 (https://github.com/Calamari-OCR/calamari_models) 获得。 可以在此处访问当前版本 (336 MB)。 使用 Pip 安装 建议的方法是使用 pip 将 calamari 安装到虚拟环境中： virtualenv -p python3 PATH_TO_VENV_DIR (eg virtualenv calamari_venv) source PATH_TO_VENV_DIR/bin/activate pip install calamari_ocr pip install tensorflow # 或 pip install tensorflow_gpu 以获得 GPU 支持

YoloV3-Pytorch 介绍 这是Pytorch中YoloV3的实现。 这是对westerndigitalcorporation的源代码的修改，避免了从原始darknet框架“导入”配置文件。 源代码的版权在许可证文件中。 修改的; 我尝试使用常用的术语尽可能直观地构建模型。 我还将模块划分为功能，以便可以轻松地将其导入并用于其他项目以及此处。 此外，还增加了在视频上运行，加载KITTI数据集，每种COCO和Pascal VOC样式的度量标准等的功能。 环境环境 python 3.xx pycharm 中央处理器： gpu：rtx2070超级 软件包位于require.txt中。 关于Yolo3 约瑟夫·雷德蒙（Joseph Redmon）等人（introduced）提出的YoloV3的模型结构如下。 그림 该模型包括三个部分。 -骨干Darknet53是用于提取特征的骨

自然场景 文本行定位 pixel-link PixelLink放弃了边框回归的思想，采用实例分割的方法，分割出文本行区域，然后直接找对应文本行的外接矩形框．