yolov4预训练模型

修改版yolov4-pacsp-s-mish预训练模型

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

yolov3(pytorch)训练自己的数据集可参看本人blog。要使用的预训练权重：yolov3-tiny.weights

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

inception-v4_weights_tf_dim_ordering_tf_kernels 2.1版本

yolo tiny算法的权重

VGG_Imagenet_Weights_GrayScale_Images 为灰度图像转换VGG imagenet的预训练权重。 2种方法： 将图像转换为灰度，将灰度通道复制2次以使图像成为3D图像。 将VGG16的第一个卷积层的权重转换为适应灰度图像。 例如：VGG16的block1_conv1内核的尺寸：（3、3、3、64）->（高度，宽度，in_channels，out_channels）。 默认情况下，in_channels对应于您的训练图像具有的通道数。 由于VGG16在具有RGB图像的Imagenet上进行了预训练，因此in_channels为3。该想法是提取这些权重值，对滤镜进行加权平均（按通道），并将这些值分配给block1_conv1_kernel，st尺寸变为（3 ，3、1、64）。 亮度公式用于计算加权平均值：值：（feature_red * 0.2989）

使用yolo v3 预训练模型，通常用在自己专业训练集训练，采用darknet53作为boneback进行训练。

yolov2.weights，官方下载速度很慢很慢，5个积分良心价，省却烦恼，加油哦，么么哒，哼哼，what？