跌倒检测，YOLO4和YOLOfastest两种方法，一种快（CPU20毫秒）完全达到了实时检测，一种准（CPU200毫秒，但是飞常准），由于只是PYTHON写，只需要依赖OPENCV，以后打算用C++改写。详情请看说明里面的算法流程

yolo4_voc_weight.h5

yolo4涉及的配置、模型、类别名称等文件

yolo4_tensorflow2 tensorflow2.0实现的yolo第4版 [目录] 概述 对于那些在GPU平台上运行的检测器，它们的主干网络可能为VGG，ResNet，ResNeXt或DenseNet。 而对于那些在CPU平台上运行的检测器，他们的检测器可能为SqueezeNet，MobileNet，ShufflfleNet。 最具特色的二阶段目标检测器R-CNN系列，包括快速R-CNN，更快的R-CNN，R-FCN [9]，Libra R-CNN。目标检测器，例如RepPoints。至于一阶段目标检测器，尤其有意义的网络包括YOLO，SSD，RetinaNet。 一阶段的无锚目标检测器在不断发展，包括CenterNet，CornerNet，FCOS等。收集不同阶段的特征图，具有这种机制的网络，包括特征金字塔网络（FPN），路径聚合网络（PAN），BiFPN和NAS-FPN。

train_yolo4

YOLOV4权重文件永不加分

yolo4_train_model 进行数字识别

基于TensorFlow的YOLOV4的yolo4_weight.h5 权重，已经进行转化为.h5文件，直接进行使用即可。

labelimg标注的xml数据转换成深度学习训练需要的txt

适合Keras训练使用的h5权重文件，亲测可用，适合yolov4的训练，方便不能转换的小伙伴们了，大家有需要的可以下载。