这是一个使用 YOLO 前端和 Fast RCNN 后端的面罩检测模型。 我们使用 YOLO 的逐像素对象预测作为 Fast RCNN 的区域提议器。不同大小的像素（通过使用不同大小的过滤器）对应于这些位置不同大小的 RoI。这种架构是为人脸检测量身定制的，因为它最适合“方形”对象。 objectness>0.5 的位置被送入 Fast RCNN 后端，用于边界框回归和图像分类（如正确佩戴口罩、佩戴不当口罩、无口罩） 该模型建立在在 ImageNet 上预训练的 InceptionV3 之上 数据集取自 Kaggle

如果Github下载较慢的话，可以使用这个文件 ，原github地址： ghttps://github.com/AlexeyAB/darknet

Yolov5，支持python3.6版本，目前官方版本为3.8。

yolov5 官方版本 支持python3.8

tensorflow-yolov4-tflite YOLOv4，YOLOv4-tiny在Tensorflow 2.0中实现。 将YOLO v4，YOLOv3，YOLO tiny .weights转换为.pb，.tflite和trt格式以生成tensorflow，tensorflow lite和tensorRT。 下载yolov4.weights文件： ://drive.google.com/open id 1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT 先决条件 Tensorflow 2.3.0rc0 性能 演示版 # Convert darknet weights to tensorflow # # yolov4 python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 # # yolov4-tiny python save_model.py --weights ./data/

4种YOLO目标检测的C++和Python两种版本的实现 本程序包含了经典的YOLOv3，YOLOv4，Yolo-Fastest和YOLObile这4种YOLO目标检测的实现， 这4种yolo的.cfg和.weights文件，从百度云盘里下载 链接： 提取码：8kya 下载完成后把下载得到的4个文件夹拷贝到和main_yolo.cpp同一目录下， 只要安装了opencv4.4.0，就可以在windows和linux系统编译并运行main_yolo.cpp

yolov5-develop,亲测可用

自制的一个标注工具（下载后点击.cmd文件可直接运行），可以实现yolo数据集的快速标注。自动生成所需txt和dat文件无需转换,可以修改，可以删除

ultralytics / yolov5，官方预训练权重yolov5s.pt，从drive.google下载下来的

可直接使用，tensorflow版本2.2.0，keras版本2.3.0