YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。本课程将学习YOLOv3实现darknet的网络模型改进方法。具体包括：? PASCAL VOC数据集的整理、训练与测试?? Eclipse IDE的安装与使用?? 改进1：不显示指定类别目标的方法 （增加功能）?? 改进2：合并BN层到卷积层 （加快推理速度）?? 改进3：使用GIoU指标和损失函数 （提高检测精度）?? 改进4：tiny YOLOv3 （简化网络模型）? AlexeyAB/darknet项目介绍除本课程《YOLOv3目标检测实战：网络模型改进方法》外，本人推出了有关YOLOv3目标检测的系列课程，请关注该系列的其它课程，包括：《YOLOv3目标检测实战：训练自己的数据集》《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》在学习课程《YOLOv3目标检测实战：网络模型改进方法》前，建议先学习课程《YOLOv3目标检测实战：训练自己的数据集》和课程《YOLOv3目标检测实战：交通标志识别》之一和课程《YOLOv3目标检测：原理与源码解析》。

Darknet是一个深度学习框架，该框架有一些自己独有的优点： 1.易于安装：在makefile里面选择自己需要的附加项（cuda，cudnn，opencv等）直接make即可，几分钟完成安装； 2.没有任何依赖项：整个框架都用C语言进行编写，可以不依赖任何库，连opencv作者都编写了可以对其进行替代的函数； 3.结构明晰，源代码查看、修改方便：其框架的基础文件都在src文件夹，而定义的一些检测、分类函数则在example文件夹，可根据需要直接对源代码进行查看和修改； 4.友好python接口：虽然darknet使用c语言进行编写，但是也提供了python的接口，通过python函数，能够使用python直接对训练好的.weight格式的模型进行调用； 5.易于移植：该框架部署到机器本地十分简单，且可以根据机器情况，使用cpu和gpu，特别是检测识别任务的本地端部署，darknet会显得异常方便。

在cpu上运行darknet的环境配置脚本文件，适用操作系统为ubuntu系列，只需一条命令运行shell脚本，脚本会自动帮我们下载darknet、opencv等，并进行编译和检测，最后输出检测图片。脚本运行中会自动打开Makefile文件，手动修改OPENCV=1，OPENMP=1，保存并关闭文档即可 博客介绍见https://blog.csdn.net/lishan132/article/details/106801863

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

适用于MobileNet v2的Darknet 介绍 借助和 ，将MobileNet v2预训练的模型转移到 仅修改src/image.c和examples/classifier.c ，搜索“ mobilenet”以查看更改的内容 评估 如果要使用单个图像进行评估，请使用 ./darknet classifier predict mobilenet/imagenet1k.data mobilenet/test.cfg mobilenet/test.weights mobilenet/cat.jpg 预期输出（GPU = 1，OPENCV = 0）： 19.65%: Egyptian cat 16.53%: tiger cat 10.64%: tabby 7.38%: red fox 6.09%: kit fox 如果要使用ILSVRC2012进行验证，请访问制作有效列表 结果是

darknet版yolov4行人检测训练权重；配置文件为data/coco.names; cfg/yolov4.cfg; cfg/coco.data; 训练图片尺寸 512x512；类别名person；训练好的权重保存在backup中，附训练loss图和map曲线图，并包含行人训练数据集800多张

darknet版yolov3乒乓球检测训练权重，data/coco.names ; cfg/coco.data ; cfg/yolov3.cfg ; 类别名为ping pong；训练好的权重保存在backup文件夹中；附附训练loss图和map曲线图，并包含乒乓球训练数据集400多张

Windows10下Darknet Yolo v3安装教程2019.6-附件资源

csresnext50-panet-spp.conv.112.rar (130M) csresnext50-panet-spp.cfg csresnext50-panet-spp.conv.112 csresnext50-panet-spp-original-optimal.cfg for yolov3 2020 new CSP train pretrain model AlexeyAB/darknet detail in:https://github.com/AlexeyAB/darknet

自动车牌识别 :India: 表中的内容 演示版 总览 这是一个分为四个阶段的对象检测项目，主要致力于检测车辆的车牌，从而读取车牌号并将其保存在文本文件中，以供有关当局使用。该深度学习项目使用YOLOv4（您只看一次）作为神经在名为Darknet的框架之上构建的网络架构，然后使用Tensorflow Lite进行部署准备就绪，使其兼容在各种边缘设备中使用，例如android，iOS，树莓派等。 动机 由于许多实际应用，例如自动收费，交通执法，私人空间出入控制和道路交通监控，自动车牌识别（ALPR）一直是研究的一个频繁主题。 ALPR系统通常分为三个阶段：车牌（LP）检测，字符分割和字符识别。 较早的阶