轻量化的训练 模型脚本,适合学习模型原理,可以训练你自己的数据集

1、YOLOv3训练好的火焰检测模型，包含YOLOv3和YOLOv3_tiny两种训练好的火焰识别权重。并包含2000多张标注好的火焰数据集，标签格式为xml和txt两种，类别名为fire，配置好环境后可以直接使用 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，代码是python的

1、YOLOv3训练好的汽车检测模型，包含YOLOv3和YOLOv3_tiny两种训练好的汽车识别权重，从自动驾驶场景KITTI汽车检测数据集训练得到。 2、自动驾驶场景KITTI汽车检测数据集：https://download.csdn.net/download/zhiqingAI/85208797 3、并包含1000多张标注好的城市交通场景的数据集，标签格式为xml和txt两种，类别名为car，配置好环境后可以直接使用 4、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 5、采用pytrch框架，python代码

1、YOLOv3训练好的烟雾检测模型，训练了yoov3-smoke.pt和YOLOvs3_tiny-smoke.pt。两个模型； 并包含4500多张标注好的烟雾数据集，标签格式为xml和txt两种，类别名为smoke，配置好环境后可以直接使用 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，代码是python的

1、YOLOv3训练好的火焰烟雾检测模型，包括yolov3-fire_smoke.pt和yolov3_tiny-fire_smoke.pt两个训练好的模型，并包含几百张标注好的火焰和烟雾数据集，标签格式为xml和txt两种，类别名为fire和smoke， 2、采用pytrch框架，代码是python的 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743

一、源码包中有3300张火灾识别数据集，标准完成。 二、数据集在darknet/VOCdevkit/VOC2007/JPEGImages目录下。 三、标注的xml文件在darknet/VOCdevkit/VOC2007/Annotations目录下。 四、训练自己的数据集步骤： 1、配置darkent 环境（网上教程很多，cpu、gpu均可） 2、对应目录下放置数据集和标注生成的xml文件 3、darknet根目录下执行./gen_files.py 4、darknet根目录下执行./darknet detector train cfg/voc-fire.data cfg/yolov3-voc-fire.cfg darknet53.conv.74 开始训练 （也可执行./darknet detector train cfg/voc-fire.data cfg/yolov3-tiny-fire.cfg 开始训练yolov3-tiny模型） 5、bakup下生成训练好的权重文件

用 PyTorch 实现 YOLOv3 训练和推理

该文档为目标检测算法YOLOV3算法在训练数据集市所使用的的框架，制作适合自己的数据集使用该文档、数据进行训练YOLOV3数据。具体训练YOLOV3数据集的方法可以参考博客 https://blog.csdn.net/qq_41900772/article/details/95064437

相比于官方给出的基于darknet框架的YOLOv3，基于PyTorch的YOLOv3源码易懂，使用更方便。我将自己在学习和探索过程中遇到的问题和解决的经验在这里与大家分享，希望能为初学者提供一些帮助。 1. 运行detect.py 时，出现RuntimeError:Invalid DISPLAY variable 解决方法：给detect.py的 import matplotlib 后面line22加 plt.switch_backend(‘agg’) 2. 训练时出现 UserWarning: indexing with dtype torch.uint8 is now deprecat

详细描述daknet yolov3训练过程，包含数据标注、标注数据转化说明及其python代码、CPU和GPU训练过程及GPU训练结果描述，适合刚接触darknet模型训练的朋友们，如对文档相关内容或yolo模型相关的其他问题，均可留言交流哦！感谢支持，也希望能帮到大家！