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
2022-05-16 19:00:41
15.94MB
1
复杂的YOLOv4
本文基于YOLOv4的PyTorch实现：
特征
基于YOLOv4的实时3D对象检测
支持
张量板
镶嵌/切口增强训练
使用旋转框的损失进行优化。
更新2020.08.26 ：
更快的训练，更快的推理
无锚的方法
无需非最大抑制
示范（在GTX 1080Ti上）
2.入门
2.1。要求
pip install -U -r requirements.txt
有关和库的信息，请参阅其官方网站上的安装说明。
2.2。资料准备
从下载3D KITTI检测数据集。
下载的数据包括：
Velodyne点云（29 GB） ：将数据输入到Complex-YOLO模型
对象数据集的训练标签（5 MB） ：Complex-YOLO模型的输入标签
对象数据集的摄像机校准矩阵（16 MB） ：用于可视化预测
对象数据集的左侧彩色图像（12 GB） ：用于可视化预测
请确保您按照以下方式
2021-11-01 10:22:05
6.54MB
1
约洛夫4
这是一个yolov4_pytorch代码
没有实现所有trick，做了以下实现：
骨干：DarkNet53 => CSPDarkNet53
特征金字塔：SPP，PAN
训练：Mosaic数据增强，标签平滑，学习率余弦衰减衰减，CIOU
激活函数：Mish
2021-09-02 15:05:39
5.31MB
1
YOLO3D-YOLOv4-PyTorch
本文基于YOLOv4的PyTorch实现：
演示版
输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。
输入尺寸： 608 x 608 x 3
输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, w, h, θ)
cx, cy, cz ：中心坐标。
l, w, h ：边界框的长度，宽度，高度。
θ ：包围盒的航向角，以弧度为单位。
对象：汽车，行人，骑自行车的人。
特征
基于YOLOv4的实时3D对象检测
支持
张量板
镶嵌/切口增强训练
2.入门
2.1。 要求
pip install -U -r requirements.txt
有关和库的信息，请参阅其官方网站上的安装说明。
2.2。 资料准备
从下载3D KITTI检测数据集。
下载的数据包括：
Velodyn
2021-07-22 15:56:14
12.56MB
1
另一个-YOLOv4-Pytorch
这是在pytorch上实现YOLOv4对象检测神经网络的实现。 我将尝试实现原始纸张的所有功能。
模型
预先训练的体重
自订课程
联合会
YOLO数据集
验证信箱
HSV转变为火车
MOSAIC的火车
Dropblock层进行训练。 每个PAN层一个，但是您可以轻松地将其添加到每个层。 （感谢Evgenii Zheltonozhskii实现pytorch）
LARS优化器
火炬闪电
用fgsm进行自我对抗训练
YOLOv4官方论文中的SAM注意事项
从ECA注块从fastglobalavgpool
来自重量标准化（不建议与预训练一起使用，可能会导致输入爆炸，与track_running_stats一起使用，否则爆炸）
带指南的笔记本
来自IoU意识
深度实施中的NMS（未连接）
来自矩阵NMS算法（未连接）
2021-07-15 21:08:37
1.23MB
1