YOLOv3_TensorFlow 注意：由于我已切换到PyTorch一年，因此不再维护此回购协议（实际上我已经取消了很长一段时间的支持）。 寿命短，我使用PyTorch。 1.简介 这是我在纯TensorFlow中实现的 。 它包含有关您自己的数据集的完整培训和评估流程。 此仓库的主要功能是： 高效的tf.data管道 权重转换器（将COCO数据集上的预训练暗网权重转换为TensorFlow检查点。） 极快的GPU非最大抑制。 完整的培训和评估渠道。 Kmeans算法选择先验锚框。 2.要求 Python版本：2或3 包装方式： tensorflow> = 1.8.0（理论上任

用于训练自己制作的数据集的一个项目。关于如何制作自己的数据集 http://tech.ifeng.com/a/20171014/44715883_0.shtml 盯住梅西：TensorFlow目标检测实战 上面有详细的介绍。

Yolov4-tensorflow Yolo v4的tensorflow实现 依赖项： tensorflow2.x OpenCV 镶嵌数据论证 data.py添加了镶嵌数据参数，用于图像网分类和对象检测 这个镶嵌数据的论点与原始的yolov4实现并不完全相同，但是与之非常接近，我将继续进行研究。 推理 借用一些后处理代码，并将更新自己的版本 跑步： python detect.py --image ./kite.jpg 演示：

windows下，Yolo_v3报错Blas SGEMM launch failed : m=1384448, n=32, k=64的解决办法

介绍 该项目的灵感来自： 我将YOLO v3换成了YOLO v4，并添加了用于异步处理的选项，这大大提高了FPS。 但是，使用异步处理时FPS监视将被禁用，因为它不准确。 另外，我从提取了算法，并将其实现到deep_sort/track.py 。 用于确认轨迹的原始方法仅基于检测到对象的次数，而不考虑检测置信度，从而在发生不可靠的检测时（即低置信度真阳性或高置信度假阳性）导致高跟踪误报率。 轨道过滤算法通过在确认轨道之前计算一组检测次数的平均检测置信度，从而大大降低了这一点。 请参阅下面的比较视频。 低置信度轨道过滤 导航到适当的文件夹以使用低置信度轨道过滤。 上面的视频演示了差异。

所有的依赖已经通过environment.yml 配置文件进行配置，下载后直接运行即可

YOLO将物体检测作为回归问题求解。基于一个单独的end-to-end网络，完成从原始图像的输入到物体位置和类别的输出。

C++实现opencv+yolo+tensorflow+deepsort检测，网上都是python的，用c++重写的，库全部配置好，需要cuda9.0，cudnn7，tensorflow使用的1.12.0gpu，已在工程中配置好。下载即用。文件太大，已记录百度云链接，资源有问题请加文本中的qq