yolov3 in mxnet

用python编写的封装tesseract框架的ocr识别批处理脚本【亲测可用，可作为一种辅助手段】。 需要安装tesseract，python, 并且在python virtual环境下运行。

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

times：2020/3/23 操作系统：win10 环境：python 3.6 因为我之前把所有内容写在一篇文章里非常的乱，所以本文主线是训练自己的 yolo.h5 去识别图像中的人，所有小细节的操作，我都在文中添加了链接，新手的话需要注意看一下。 // 有任何的问题都可以直接评论，还有资料的话直接留言邮箱，说明问题// //也可以评论下加下微信询问// 大家一起加油学习yolo，之后我会再出一篇详细介绍yolo代码的文章 如果你是 yolo 小白，或者环境配置等一直报错，请先参阅上一篇博文：keras-yolov3目标检测详解——适合新手 (环境配置、用官方权重识别自己的图片) 本文目的：

文字识别工具箱 1.项目介绍 该项目是基于pytorch深度学习框架，以统一的改写方式实现了以下6篇经典的文字识别论文，论文的清单如下。该项目会持续进行更新，欢迎大家提出问题以及对代码进行贡献。 模型 文章标题 发表年份 模型方法划分 神经网络 《基于端到端的可训练神经网络基于图像的序列识别及其在场景文本识别中的应用》 2017年 CNN + BiLSTM + CTC 神经网络 《 OCR门控递归卷积神经网络》 2017年 门控循环抽提层+ BiSTM + CTC 扇子 《关注：在自然图像中实现准确的文本识别》 2017年 聚焦网络+ 1D关注 SAR 《显示，参加和阅读：用于不规则文本识别的简单而强大的基准》 2019年 ResNet + 2D注意 担 《文本识别的去耦注意力网络》 2020年 FCN +卷积对齐模块 卫星 《论具有二维自我注意的任意形状的文本的识别》 2

在TensorFlow 2.0中实现的YoloV3 此仓库使用所有最佳实践在TensorFlow 2.0中提供了YoloV3的干净实现。 主要特点 TensorFlow 2.0 yolov3具有预先训练的权重 yolov3-tiny具有预先训练的权重 推论实例 转移学习的例子 使用tf.GradientTape急切模式训练 使用model.fit图模式训练 具有tf.keras.layers功能模型 使用tf.data输入管道 Tensorflow服务 向量化转换 GPU加速 完全集成的absl-py从 干净的实施 遵循最佳做法 麻省理工学院执照 用法 安装 conda（推荐） # Tensorflow CPU conda env create -f conda-cpu.yml conda activate yolov3-tf2-cpu # Tensorflow GPU conda env create -f conda-gpu.yml conda activate yolov3-tf2-gpu 点子 pip install -r requireme

详细介绍配置个性化训练方式,包含百度云代码博客,训练步骤,目录结构,逐步操作循序渐进;详细介绍配置个性化训练方式,包含百度云代码博客,训练步骤,目录结构,逐步操作循序渐进;详细介绍配置个性化训练方式,包含百度云代码博客,训练步骤,目录结构,逐步操作循序渐进

基于pyqt和yolov3搭建界面 1.首先要了解信号与槽是关键 2，参考网上的pyqt安装。将界面文件转换为.py文件 # -*- coding: utf-8 -*- # Form implementation generated from reading ui file 'realsense.ui' # # Created by: PyQt5 UI code generator 5.13.0 # # WARNING! All changes made in this file will be lost! from PyQt5 import QtCore, QtGui, QtWidgets

python基于卷积神经网络的手写数字识别pyqt5界面，参考链接：https://blog.csdn.net/babyai996/article/details/120819934

为解决YOLOv3算法在检测道路交通灯时存在的漏检率高、召回率低等问题,提出一种基于优化YOLOv3算法的交通灯检测方法。首先,采用K-means算法对数据进行聚类分析,结合聚类结果和交通灯标签的统计结果,确定先验框的宽高比及其数量。然后,根据交通灯尺寸特点,精简网络结构,分别将8倍降采样信息、16倍降采样信息与高层语义信息进行融合,在两个尺度上建立目标特征检测层。同时,为了避免交通灯特征随着网络的加深而消失的问题,分别减少两个目标检测层前的两组卷积层,简化特征提取步骤。最后,在损失函数中,利用高斯分布特性评估边界框的准确性,以提升对交通灯检测的精度。实验结果显示,优化YOLOv3算法的检测速度可达30 frame/s,平均精准度较原网络提升9个百分点,可以有效完成对交通灯的检测。