YOLOv5火焰识别结果权重文件，模型为YOLOv5s.pt，版本五的项目代码，训练类别为fire，有需要的可以下载

github上的YOLOV5更新较快，只有配合yaml配置文件的weight才能使用。文件中的权重和配置文件为20200706的，亲测可用。 YOLOv5速度比前代更快，在运行Tesla P100的YOLOv5 Colab笔记本中，每个图像的推理时间快至0.007秒，意味着每秒140帧（FPS）！ YOLOv5体积小，YOLOv5 s的权重文件为27MB。YOLOv4（Darknet架构）的权重文件为244MB。YOLOv5比YOLOv4小近90％。这意味着YOLOv5可以更轻松地部署到嵌入式设备。 此外，因为YOLOv5是在PyTorch中实现的，所以它受益于已建立的PyTorch生态系

本ppt记载内容包括从ubuntu配置环境开始，到数据集制作，到yolov5跑模型 运用到cuda，cudnn，pytorch，anaconda，opencv，以及包括NVIDIA更新驱动

使用TensorFlow 2实现 火车 在config.py更改数据集路径和class_dict 在config.py选择版本 可选， python generate.py为您的数据集生成锚点并在config.py更改锚点 运行python train.py进行培训 测试 运行python test.py 数据集结构 ├── Dataset folder ├── IMAGES ├── 1111.jpg ├── 2222.jpg ├── LABELS ├── 1111.xml ├── 2222.xml ├── train.txt ├── test.txt 笔记 xml文件应为PascalVOC格式 train.txt包含不带扩展名的图像名称 推荐（适用于docker用户） docker pu

yolov5s.pt,yolov5l.pt,yolov5m.pt,yolov5x.pt weight

1.利用realsense深度相机实现yolov5目标检测的同时测出距离 2.你可以将其他版本的yolo v5 的版本应用到这个上面，因为我只更改了detect.py为realsensedetect.py 3.运行的代码为：python realsensedetect.py

使用deepstream5.0-python-api部署yolov5

yolov5源码DAMG数据集class6

yolov5-master.rar

YOLOv5_DOTA_OBB-master在Window下运行的环境配置，包括CUDA安装，debug调试