使用对象检测-YOLO-v2-深度学习：使用Yolo v2的基于深度学习的对象检测的MATLAB示例

带有Tensorflow 2的YOLOv1 为了易于实现，我没有实现与纸张完全相同的实现。 下面介绍的内容与本文的实现方式有所不同。 骨干网。 （我使用Xception代替了本文中提到的网络。） 学习率表（我使用了tf.keras.optimizers.schedules.ExponentialDecay ） 超级参数 数据扩充 等等 。 。 。 预览 即将更新。 。 。 使用Docker构建环境 构建Docker映像 $ docker build -t ${NAME} : ${TAG} . 创建一个容器 $ docker run -d -it --gpus all --shm-size= ${PROPER_VALUE} ${NAME} : ${TAG} /bin/bash Pascal VOC数据集（） 带有Pascal VOC数据集 图片数量 火车 验证 测试 帕斯卡VOC

介绍 该项目的灵感来自： 我将YOLO v3换成了YOLO v4，并添加了用于异步处理的选项，这大大提高了FPS。 但是，使用异步处理时FPS监视将被禁用，因为它不准确。 另外，我从提取了算法，并将其实现到deep_sort/track.py 。 用于确认轨迹的原始方法仅基于检测到对象的次数，而不考虑检测置信度，从而在发生不可靠的检测时（即低置信度真阳性或高置信度假阳性）导致高跟踪误报率。 轨道过滤算法通过在确认轨道之前计算一组检测次数的平均检测置信度，从而大大降低了这一点。 请参阅下面的比较视频。 低置信度轨道过滤 导航到适当的文件夹以使用低置信度轨道过滤。 上面的视频演示了差异。

yolo_1.pdf

YOLOv3.pdf

YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高，更加灵活和便利。  本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。  本课程的YOLOv5使用ultralytics/yolov5，在Windows系统上做项目演示。包括：安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型和性能统计。  希望学习Ubuntu上演示的同学，请前往 《YOLOv5(PyTorch)实战：训练自己的数据集(Ubuntu)》课程链接：https://edu.csdn.net/course/detail/30793  本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》 Ubuntu系统 https://edu.csdn.net/course/detail/30793 Windows系统 http

YOLO-CoreML.7z

YOLO V3神经网络Windows 7平台下的配置和单步调试（Windows 7+VS2015+CPU）-附件资源

应该是目前为止互联网上能找到的关于yolo v1目标检测开源算法损失函数的最详尽的代码注释了吧！对于初学人工智能的朋友们应该有所帮助。

YOLOv5 主代码。YOLOv5 的表现要优于谷歌开源的目标检测框架 EfficientDet，尽管 YOLOv5 的开发者没有明确地将其与 YOLOv4 进行比较，但他们却声称 YOLOv5 能在 Tesla P100 上实现 140 FPS 的快速检测；相较而言，YOLOv4 的基准结果是在 50 FPS 速度下得到的.