鉴于安全帽佩戴检测的重要性，利用图像视觉和神经网络算法对安全帽佩戴情况进行检测一直是研究的热点，国内外许多学者已对此做了大量工作，RCNN系列、SSD和YOLO系列等算法在安全帽检测中都得到了广泛应用。然而，在实际应用中，由于安全帽佩戴检测外部环境通常为建筑工地、大型工厂、车间等复杂环境，目标遮挡、光线等因素极易影响检测精度，另一方面，在安全帽实时监测的视频采集原始图像中，安全帽目标相比图像尺寸通常占比很小，往往会造成目标漏检。因此，如何提高复杂环境下的安全帽佩戴检测精度和检测速度是应用的关键。针对上述难题，本文提出了一种基于改进YOLOv4的安全帽佩戴检测方法。

YOLO v4模型和权值文件

Yolo v4用于pytorch，tensorflow渴望模式和onnx（通过Trident api） 感谢 所有预先准备好的模型权重和cfg均来自官方网站： 还要感谢Ultralytics的项目，它确实很棒而且很有帮助。 yolo v4的搜索结果 让我们看看有关yolo v4（pytorch后端）的出色性能！！ 更新（5/3）：增强小物品 在yolo v4中，缺少缺少对小物件的检测的缺点。 我试图解决短缺问题。 我发现解决此问题的最佳方法是在stride = 8 Yolo Layer（76 * 76）中修改对象 您所需要做的就是设置YoloLayer small_item_enhance = True（仅效果76 * 76 head） for module in detector.model.modules(): if isinstance(module,Yolo

对象检测Yolo-v4 使用Yolo v4进行人和车检测

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：

YOLO v4实验所用的口罩数据，具体看我博客，包括了图像+txt标签文档，另外还提供了实验中用到的权重文件

手把手教你训练自己的YOLO V4数据集，超详细教程，附带训练数据集整体训练来源与结果YOLO V4 论文链接：https://arxiv.org/abs/2004.10934YOLO V4 开源代码：https://github.com/AlexeyAB/darknet本次训练系统环境整体数据处理流程训练之前参数修改配置OPENCV最终配置，要成功了 整体训练来源与结果 啥都不说了，直接上论文跟代码链接 YOLO V4 论文链接：https://arxiv.org/abs/2004.10934 YOLO V4 开源代码：https://github.com/AlexeyAB/darknet

yolo v4 的代码-darknet-master-yolo-v4 推荐下载

多摄像机实时对象跟踪 该存储库包含我的对象检测和跟踪项目。 所有这些都可以托管在云服务器上。 由于您还可以将自己的IP摄像机用于异步处理。 我已经写了关于如何使用自己的智能手机与ImageZMQ到流博客文章。 Deep SORT和YOLO v4 查看我的以查看我使用的跟踪算法，其中包括Tensorflow 2.0，异步视频处理和低置信度跟踪过滤的选项。 流量计数（） 该项目是对象计数应用程序的扩展。 （） 产品特点 使用从DETRAC数据集生成的总共244,617张图像进行了训练。 您可以在找到我创建的转换代码。 我将用作数据准备和培训的指南。 每个跟踪ID仅计数一次。 通过查看被跟

有关YOLO v3的使用，请参见。 ML.Net中的YOLO v5 将YOLO v5与ML.Net一起使用 多亏了 ， 和 请参阅“的讨论，以问题。 参见分支 见keesschollaart81的 ML.Net中的YOLO v4 将YOLO v4与ML.Net一起使用 Onnx模式在onnx /型号回购可。 结果 资源 https://github.com/onnx/models/tree/master/vision/object_detection_segmentation/yolov4 https://github.com/hunglc007/tensorflow-yolov4-tflite https://towardsdatascience.com/yolo-v4-optimal-speed-accuracy-for-object-detection-79896ed4