YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Keras当中的实现 2021年2月7日更新： 仔细对照了darknet库的网络结构，发现P5_Upsample和feat1的顺序搞反了，已经调整，重新训练了权值，加入letterbox_image的选项，关闭letterbox_image后网络的map得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12+COCO VOC-Test07 416x416 - 77.5 COCO-Train2017 COCO-Val2017 416x416 21.8 41.3 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 代码中的yolov4_tiny_weights_coco.h5和yolov4

卷积神经网络tiny_cnn代码

编译原理龙书高清版和配套的TINY编译器源码，学习编译原理不可多得的好书，绝对经典

KV存储引擎 众所周知，非关系型数据库redis，以及levedb，rockdb其核心存储引擎的数据结构就是跳表。 本项目就是基于跳表实现的轻量级键值型存储引擎，使用C++实现。插入数据、删除数据、查询数据、数据展示、数据落盘、文件加载数据，以及数据库大小显示。 在随机写读情况下，该项目每秒可处理啊请求数（QPS）: 24.39w，每秒可处理读请求数（QPS）: 18.41w 项目中文件 main.cpp 包含skiplist.h使用跳表进行数据操作 skiplist.h 跳表核心实现 README.md 中文介绍 README-en.md 英文介绍 bin 生成可执行文件目录 makefile 编译脚本 store 数据落盘的文件存放在这个文件夹 stress_test_start.sh 压力测试脚本 LICENSE 使用协议 提供接口 insertElement（插入数据） delet

Keil Rtx51 Tiny 多任务操作系统源代码

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：首先下载训练好的网络参数yolov3-tiny.weights，到weights目录下，但仍然需要fine-tune，so对yolov3-tiny.weights进行改造，下载darknet相关文件，下载好之后进入文件make一下，生成darknet可执行文件，在当前文件目录下运行： ./darknet partial cfg/yolov3-tiny.cfg yolov3-tiny.weights yolov3-tiny.conv.15 15 即可得到该文件yolov3-tiny.conv.15

一、实验目的： 通过本次实验，进一步加深对递归下降算法与抽象语法树的理解，学习程序设计语言的语法分析器的手工编程方法。 二、实验任务： 仔细阅读并测试TINY语言的语法分析器的相关程序，同时复习递归下降算法与抽象语法树的相关理论。 三、实验内容： （1）改写文法与画语法图； （2）TINY语言的抽象语法树节点的数据类型的定义与说明； （3）TINY语言的语法分析器源程序的阅读与注释； （4）TINY语言的语法分析器的YACC输入文件阅读与注释； （5）编译并测试TINY语言的语法分析器；

课程演示环境：Windows10  需要学习Ubuntus系统YOLOv4-tiny的同学请前往《YOLOv4-tiny目标检测实战：训练自己的数据集》 YOLOv4-tiny来了！速度大幅提升！ YOLOv4-tiny在COCO上的性能可达到：40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny，AP和FPS的性能有巨大提升。并且，YOLOv4-tiny的权重文件只有23MB，适合在移动端、嵌入式设备、边缘计算设备上部署。 本课程将手把手地教大家使用labelImg标注和使用YOLOv4-tiny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YOLOv4-tiny使用AlexAB/darknet，在Windows10系统上做项目演示。包括：YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。   除本课程《Windows版YO

## 运行步骤 1. 运行voc_annotation.py，生成根目录下的2007_train.txt、2007_val.txt、2007_test.txt。 2. 运行kmeans_for_anchors.py，生成anchors.txt，也可以不运行这一步，直接使用model_data/yolo_anchors.txt，这是为YOLO 416*416 模型专门设计的，效果依旧很好。 3. 运行train.py，即可开始训练。 4. 运行predict.py进行检测，其中包含图片检测、文件夹遍历检测。 硬件环境：单张RTX8000显卡。 1. 对于训练阶段，batch=32，调用GPU每轮训练需要2min，而禁止GPU后每轮训练需要5min。 2. 对于推理阶段，VOC数据集调用GPU每帧0.03894278782533031s，禁止GPU后每帧0.06158580083645041s，真不愧是tiny_yolov4，在CPU上运行也能足够快。 而之前测试的yolov4模型调用GPU每帧0.17s，tiny_yolov4速度上比起yolov4足足快了5倍，但的确在VOC2007数据集上的检测精度不及，轮廓精度和分类类别精度均有欠缺。

yolov4-tiny pytorch implementation of yolov4-tiny requirements torch torchvision opencv-python Pillow matplotlib tqdm train add datasets 数据集按coco2017数据集形式存放 coco ├── labels/ │   ├── train2017/ │   │   └── 0001.txt (classes cx cy w h) │   └── val2017/ └── images/    ├── train2017/ │   └── 0001.jpg    └── val2017/ set datasets 修改config.py中的train_datasets_images_path、train_datasets_labels