1.领域：matlab，YOLO网络的行驶车辆目标检测算法 2.内容：基于YOLO网络的行驶车辆目标检测matlab仿真+操作视频 3.用处：用于YOLO网络的行驶车辆目标检测算法编程学习 4.指向人群：本硕博等教研学习使用 5.运行注意事项： 使用matlab2021a或者更高版本测试，运行里面的Runme_.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。 具体可观看提供的操作录像视频跟着操作。

针对监控视频中人体异常行为的复杂多样难检测问题，提出了基于YOLO网络模型的异常行为检测方法。根据对监控场景的异常行为定义需求，将标定的异常行为通过YOLO网络模型进行训练，不进行人体目标的提取而将其放到神经网络中，直接实现端到端的异常行为分类，从而实现对具体应用场景的异常行为检测。实验结果表明，该方法召回率接近100%并且平均精确率达到96%以上，同时通过GPU加速对于视频流的检测速度可以达到30FPS左右，实现对监控视频异常行为的实时检测。

yolo darknet 网络 深度学习 src源码 ，支持20类

深度学习 数据集利用 1. YOLO网络检测手部的数据集 2. JPEGImages文件夹里，可见的图像数据。 3. Annotations文件夹里，已经标注好的xml文件，可直接训练。

利用opencv-dnn加载YOLO进行目标检测，可以检测输入的图片，也可以利用USB-camera实时检测（目标包括人、汽车、狗等等【COCO数据集】），资源包含源代码和可执行程序（release文件夹下的exe文件可以直接运行测试）【注意：由于.weight文件太大无法一并上传，需要自行下载，下载地址见博客】

用于训练YOLO网络的人脸识别数据集，已经标注好了的，可直接训练

YOLO网络车辆识别检测，已经标注好了的。主要是标注了电动车和自行车的数据集，已经标注好了的，可以直接训练。

面罩检测 使用YOLO网络（Darknet）和更快的R-CNN网络（PyTorch）在Google Colab中进行面罩检测。 检测到3类：正确佩戴的口罩，错误佩戴的口罩和未佩戴的口罩。 设置和执行YOLO： 在您的Google云端硬盘中创建名为yolov3的文件夹 下载数据集（ ， ） 执行jupyter Notebook 对于测试，请执行detection_utils.py或对视频进行检测，请执行detect_video.py您可以使用video_converter.py从视频创建数据集，从视频到图像或从图像到视频。 设置和执行PyTorch： 在您的Google云端硬盘中创建一个名为rcnn的文件夹，然后以zip格式上传数据集。 下载数据集（ ， ） 执行jupyter Notebook 预训练重量： 在Kaggle数据集上已经预先训练了 （和）网络和权重（方法

android-yolo, 在Android上使用带有TensorFlow的YOLO网络，实时对象检测 Android 上的 TensorFlow YOLO对象检测 源项目Android YOLO 是在Android设备上实现TensorFlow的第1 个实现。 它与 Android Studio 兼容，可以在盒子中使用。 它可以检