YOLO_v3 训练自己数据集的文件主要格式和位置 ，主要自己使用，，

因为需要，调研了目标检测领域的文章，其中尤以yolo系列为主，并根据其他文章的不同侧重点，进行了简单划分，可省去大量的检索文献的时间！（文章最新截至2021年8月）

YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。利用YOLOv4训练完自己的数据集后，如何向大众展示并提供落地的服务呢？  本课程将提供相应的解决方案，具体讲述使用Web应用程序框架Flask进行YOLOv4的Web应用部署。用户可通过客户端浏览器上传图片，经服务器处理后返回图片检测数据并在浏览器中绘制检测结果。  本课程的YOLOv4使用AlexyAB/darknet，在Ubuntu系统上做项目演示，并提供在Windows系统上的部署方式文档。 本项目采取前后端分离的系统架构和开发方式，减少前后端的耦合。课程包括：YOLOv4的Flask部署系统架构、YOLOv4的安装及动态链接库的编译、 Flask的安装、YOLOv4的检测API接口python代码、 Flask的服务程序的python代码、前端html代码、CSS代码、Javascript代码、系统部署演示、生产环境部署建议、Windows系统上部署的区别等。 除本课程外，本人推出了有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv4目标检测实战：训练自己的数据集》(

深度学习TensorFlow2.0 前言 在这个项目中，我将使用谷歌TensorFlow2.0框架逐一重现经典的卷积神经网络：LeNet-5，AlexNet，VGG系列，GooLeNet，ResNet系列，DenseNet系列，以及现在比较流行的：RCNN系列，SSD ，YOLO系列等。 教程目录 图像分类任务1.手写数字识别FirstNet（已​​完成） 2.快速建造卷积网络FastNet（已​​完成） 3. LeNet-5（已完成） 4. AlexNet（已​​完成） 5. VGG系列（已完成） 6. GooLeNet（已​​完成） 7. ResNet系列（已完成） 8. DenseNet系列（已完成） 目标检测任务1. RCNN系列2. SSD 3. YOLO系列 项目环境 Python3 Python3.6和3.7 PyCharm2018和2019 Tensorflow2.0

基于深度学习的实时车辆检测代码，基于python和yolo算法编写

由于电力线路绝缘子的故障导致输电系统的故障，基于架空平台的绝缘子检测系统得到了广泛的应用。绝缘子缺陷检测是在航空图像的复杂背景下进行的，这是一个有趣但具有挑战性的问题。基于手工特征或浅层学习技术的传统方法只能在特定检测条件下定位绝缘体并检测故障，例如在有足够的先验知识、背景干扰较低、特定物体尺度或特定照明条件下。本文讨论了利用航空图像自动检测绝缘子缺陷，精确定位从实际检测环境中采集的输入图像中出现的绝缘子缺陷。我们提出了一种新的深度卷积神经网络（CNN）级联结构，用于定位和检测绝缘子中的缺陷。级联网络使用基于区域建议网络的CNN将缺陷检测转化为两级目标检测问题。为了解决实际检测环境中缺陷图像的稀缺性，还提出了一种数据增强方法，该方法包括四个操作：1）仿射变换；2） 绝缘子分割与背景融合；3） 高斯模糊；亮度变换。使用标准绝缘子数据集，该方法的缺陷检测精度和召回率分别为0.91和0.96，可以成功地检测出各种条件下的绝缘子缺陷。实验结果表明，该方法满足绝缘子缺陷检测的鲁棒性和准确性要求。

yolov5m6烟火检测模型

用yolov5训练的火焰烟雾检测

带有Tensorflow 2的YOLO 您只看一次：统一的实时对象检测< > @misc{redmon2016look, title={You Only Look Once: Unified, Real-Time Object Detection}, author={Joseph Redmon and Santosh Divvala and Ross Girshick and Ali Farhadi}, year={2016}, eprint={1506.02640}, archivePrefix={arXiv}, primaryClass={cs.CV} }

配套吴恩达深度学习第四课第三周yolo算法，各位可能也下载其他人的发现并不好用，我猜想可能是每个人对应的yolo文件需要配套的文件，所以我把生成yolo.h5的文件都放在里面了，直接解压之后复制粘贴替换在作业里面。如果还不能有用，请按照我提供的链接自己生成yolo（工具我已经下载在压缩包里面了），务必在我的文档里面进行（不要把文件解压后放在一个文件夹里，直接解压当前文件夹） 如果不好用可以留言求助私聊