深度学习 数据集利用 1. YOLO网络检测手部的数据集 2. JPEGImages文件夹里，可见的图像数据。 3. Annotations文件夹里，已经标注好的xml文件，可直接训练。

yolov3.weights 资源下载，欢迎下载，高速下载，yolo官网原版

yolov3-spp.pt 预训练权重

2021.3.21: 对模型结构进行细微调整优化，更新Yolo-Fastest-1.1模型 2021.3.19: NCNN Camera Demo 2021.3.16: 修复分组卷积在某些旧架构GPU推理耗时异常的问题 :high_voltage:Yolo-Fastest:high_voltage: Simple, fast, compact, easy to transplant A real-time target detection algorithm for all platforms The fastest and smallest known universal target detection algorithm based on yolo Optimized design for ARM mobile terminal, optimized to support reasoning framework Based on N

yolo_v1机器学习课程汇报ppt，自己通过整理做成的ppt，前半段有文字，可以读，后半段只有图，最好在理解了的基础上，再看。

准备Yolo数据集的时候，使用工具标注出来坐标可能是归一化之后的坐标，如果想要得到图片上的原始坐标则需要通过公式转化，下面我详细分析一下图片原始坐标和归一化坐标之间的关系，之后不论需要哪种坐标都能很轻松的转换。 定义原始图片中： 宽高为（w，h）    bounding box（xmin，ymin，xmax，ymax）为左上角和右下角两个点的坐标 归一化后图片中： 宽高为（w1，h1）   中心点坐标（x，y） 有如下归一化公式：                             根据上述公式联立解方程即可反推出归一化之前的数值：                           x

跌倒检测数据集，收集包含1400+跌倒人群图片，可直接用于训练跌倒检测

深度学习 目标检测 YOLO网络车辆识别检测，已经标注好了的电动车和自行车的数据集，可以直接用于训练。

yolov5从0搭建训练环境详细指导，最后集成web服务接口，含4G打好标签的训练数据。

介绍 一种转换工具，可将YOLO v3暗网权重转换为TF Lite模型（YOLO v3 PyTorch> ONNX> TensorFlow> TF Lite）和TensorRT模型（dynamic_axes分支）。 先决条件 python3 torch==1.3.1 torchvision==0.4.2 onnx==1.6.0 onnx-tf==1.5.0 onnxruntime-gpu==1.0.0 tensorflow-gpu==1.15.0 码头工人 docker pull zldrobit/onnx:10.0-cudnn7-devel 用法 1.下载预训练的Darknet权重： cd weights wget https://pjreddie.com/media/files/yolov3.weights 2.将YOLO v3模型从Darknet权重转换为ONNX模