基于C++_opencv_dnn实现实时离线视频进行推理和运算

torchvision0.8

yolov4 Tiny版本的预训练权重，提取了yolo v4的backbone层，可用作训练yolo-V4.

主要是yolov4-tiny和opencv4.4的源码，功能主要用于目标检测，可以在Ubuntu或Linux上跑，直接实现摄像头、视频、图片的检测。

YOLOV4-Tiny：You Only Look Once-Tiny目标检测模型在Keras当中的实现 2021年2月7日更新： 仔细对照了darknet库的网络结构，发现P5_Upsample和feat1的顺序搞反了，已经调整，重新训练了权值，加入letterbox_image的选项，关闭letterbox_image后网络的map得到提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12+COCO VOC-Test07 416x416 - 77.5 COCO-Train2017 COCO-Val2017 416x416 21.8 41.3 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 代码中的yolov4_tiny_weights_coco.h5和yolov4

课程演示环境：Windows10  需要学习Ubuntus系统YOLOv4-tiny的同学请前往《YOLOv4-tiny目标检测实战：训练自己的数据集》 YOLOv4-tiny来了！速度大幅提升！ YOLOv4-tiny在COCO上的性能可达到：40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny，AP和FPS的性能有巨大提升。并且，YOLOv4-tiny的权重文件只有23MB，适合在移动端、嵌入式设备、边缘计算设备上部署。 本课程将手把手地教大家使用labelImg标注和使用YOLOv4-tiny训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。 本课程的YOLOv4-tiny使用AlexAB/darknet，在Windows10系统上做项目演示。包括：YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。   除本课程《Windows版YO

yolov4-tiny pytorch implementation of yolov4-tiny requirements torch torchvision opencv-python Pillow matplotlib tqdm train add datasets 数据集按coco2017数据集形式存放 coco ├── labels/ │   ├── train2017/ │   │   └── 0001.txt (classes cx cy w h) │   └── val2017/ └── images/    ├── train2017/ │   └── 0001.jpg    └── val2017/ set datasets 修改config.py中的train_datasets_images_path、train_datasets_labels

YOLOv4-vs-YOLOv4-tiny 根文件夹中有两个主要的jupyter笔记本，其中包含在roboflow的数据集上运行YOLOv4和YOLOv4-tiny的所有代码和指令。 我还添加了一些功能来使用您的网络摄像头捕获实时对象检测。 视频文件夹包含经过口罩训练的YOLOv4视频，并应用于涵盖冠状病毒的最新新闻视频。

抽烟检测yolov4-tiny-pytorch源码，里面有大量抽烟数据集训练成的抽烟模型，识别抽烟准确度高达百分之98，速度超过20帧每秒，下载即可运行

安全帽检测yolov4-tiny-pytorch源码，里面有大量安全帽数据集训练成的抽烟模型，识别安全帽准确度高达百分之98，速度超过20帧每秒，下载即可运行