yolov3.weights是训练好的权重文件；yolov3.cfg是神经网络的结构文件；coco.names是算法的类别文件

可以参考这个视频，使用opencv，手敲代码实现目标检测

yolov3.cfg文件，提供在操作yolo3时使用

使用 Python Opencv 实现 Yolo v3，讲清每一步，每一行代码，包含 jupyter-notebook效果以及 matplotlib 与 OpenCV 之间的图像差异，博客地址：https://blog.csdn.net/qq_39567427/article/details/105451962 所需下载文件

OpenCV-YOLOv3示例代码、预训练模型以及测试图像/视频。让我们看看YOLO如何在一张图片中检测目标。 首先，它把原图按比例平均分解成一张有13x13网格的图片。这169个单元会根据原图的大小而改变。对于一张416x416像素的图片，每个图片单元的大小是32x32像素。处理图片时，会以图片单元为单位，预测单位中的多个边界框。 对于每个边界框，这个网络会计算所包含物体的边界框的置信度，同时计算所包含的目标是属于一个特定类别的可能性大小。 非最大抑制（non-maximum suppression）可以消除低置信度的边界框，以及把同时包围着单个物体的多个高置信度的边界框消除到只剩下一个。

yolov3-tiny.cfg.rar

只有一个yolov3.cfg只有一个yolov3.cfg只有一个yolov3.cfg只有一个yolov3.cfg只有一个yolov3.cfg

YOLO v3的配置文件，模型文件等，包括yolov3.weights，yolov3.cfg，coco.name

python convert.py yolov3.cfg yolov3.weights model_data/yolo.h5 该条指令需要的两个文件

yolov3.cfg