yolov4剪枝后预训练模型

需要学习ubuntu系统上YOLOv4的同学请前往：《YOLOv4目标检测实战：原理与源码解析》 【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！ 代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。 YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。 YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。 【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括： - YOLOv4目标检测原理 - 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算 - 代码阅读工具及方法 - 深度学习计算的利器：BLAS和GEMM - GPU的CUDA编程方法及在darknet的应用 - YOLOv4的程序流程 - YOLOv4各层及关键

将yolov4检测推理模块潜入pyqt5可视化界面中。 OpenCV dnn模块调用yolov4 weight和cfg，实现自选图片和自选视频的检测，并在界面中展示出来。

这俩个脚本文件实现了提取VOC数据集格式的特定类，并且转化为yolov4需要的txt

目标检测complex_yolov4权重（已训练模型）

本文件为yolov4官方GitHub仓库内的COCO训练集的训练出模型，可直接用于COCO数据集的检测，也可以用于验证yolov4论文中的数据。

YOLO v4预训练权重文件yolov4.weights，解压即可用

yolo v4 源码，可以去github下载，速度也可以勉强接受

yolov4文章，yolov4程序，以及yolov4预训练权重文件，结合opencv可以实时检测,效果相当的好。

YOLOv4-object：对象发现的有效模型和方法 此仓库基于 。 抽象 对象发现是指识别图像中的所有未知对象，这对于机器人系统探索未知环境非常重要。 近年来，基于深度学习方法的物体检测模型在物体分类和定位方面取得了令人瞩目的成就。 但是，这些模型很难处理看不见的环境，因为要详尽地预定义所有类型的对象是不可行的。 在本文中，我们提出了模型YOLOv4-object来通过修改YOLOv4的输出空间和相关的图像标签来识别图像中的所有对象。 在COCO数据集上进行的实验通过实现65.13％的查全率（比原始YOLOv4高3.65％）证明了我们方法的有效性。 我们指出，COCO的功能（不标记所有对象）会损害对象发现的学习过程，因此，我们在480个完全标记的图像上微调YOLOv4-object，并显着改善了召回率，从而进一步验证了我们提出的方法的有效性。 而且，我们的方法是可转移的，可扩展的和可压