该文件包是编译好的64位tesseract4.1和leptonica1.74的DLL库（包括.lib,.h）,解压后，可以加入vc工程文件进行引用

OpenCV-YOLOv3示例代码、预训练模型以及测试图像/视频。让我们看看YOLO如何在一张图片中检测目标。 首先，它把原图按比例平均分解成一张有13x13网格的图片。这169个单元会根据原图的大小而改变。对于一张416x416像素的图片，每个图片单元的大小是32x32像素。处理图片时，会以图片单元为单位，预测单位中的多个边界框。 对于每个边界框，这个网络会计算所包含物体的边界框的置信度，同时计算所包含的目标是属于一个特定类别的可能性大小。 非最大抑制（non-maximum suppression）可以消除低置信度的边界框，以及把同时包围着单个物体的多个高置信度的边界框消除到只剩下一个。

Pytorch和Jupyter Notebook中的YoloV3 该存储库旨在在Pytorch和Jupyter Notebook中创建YoloV3检测器。 与其他现有的实现相比，我正在尝试采用一种“ oop”方法，后者通过在读取配置文件来迭代地构建体系结构。 该笔记本旨在用于学习和练习，许多想法和代码段摘自各种论文和博客。 我会尽量发表评论。 您应该只需按Shift键即可进入笔记本的末尾并查看结果。 要求 Python 3.6.4 火炬0.4.1 Jupyter笔记本电脑5.4.0 OpenCV 3.4.0 图片0.2.6 Pycocotools CUDA支持 使用说明 $ gi

可利用车牌数据对场景文本检测和识别进行验证

darknet版yolov3无人机检测训练权重，包括几万张图片训练好的yolov3-drone.weights和yolov3-tiny-drone.weights训练好的权重，并附上了测试的视频，用于检测空中的旋翼无人机，目标类别名为drone,有需要的可以下载

包含yolov4.weights、yolov4.conv.137、yolov4.cfg ，无积分的可以关注微AI_starting 回复yolov4即可获取网盘链接

MobileNetV2-YOLOv3-Nano的暗网实现：移动终端设计的检测网络0.8BFlops！华为P40 6ms ！！！ MobileNetv2-YOLOv3-SPP暗网MobileNetv2-YOLOv3-SPP检测网络的暗网实现网络VOC mAP（0.5）解析推断时间（GTX2080ti）FLOPS权重大小MobileNetV2-YOLOv3-SPP 71.7 416 5ms 5.5BFlops 14.2 * emmmm ...这个懒得训练，mAP就凑合这样吧 在GTX1080ti上，MobileNetV2-YOLOv3-SPP的推理时间为100毫秒，而RTX2080的推理时间为5毫秒！！！ 移动推理框架基准测试（4 * AR

我找了这个数据包很久，由于大家知道的原因无法下载，托远方的朋友下载，在这里分享给大家

EasyOCR的模型

yolo-midas自主导航 将YOLOv3与MiDaS与单个Resnext101主干结合。 想法是针对两个不同的应用程序使用单个特征提取器，在这种情况下为对象检测和单眼深度估计。 请阅读文章以了解更多详细信息 可以在model/mde_net.py看到模型架构的更改 训练 该模型在“建筑安全装备数据”上进行了训练，可在此处找到 。 如果需要对自定义数据集进行培训，请参考页面中提到的数据准备步骤。 将数据放在data/customdata/custom.data文件夹中 python3.6 train.py --data data/customdata/custom.data --batch 8 --cache --cfg cfg/mde.conf --epochs 50 --img-size 512 请参考配置文件cfg/mde.cfg更改网络配置，冻结不同的分支。 该模型是YO