YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在Keras当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 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 VOC-Test07 416x416 - 66.29 VOC07+12 VOC-Test07 416x416 - 80.18 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 78.45 所需环境 tensorflow-gpu==2.2.0 注意事项 提供的四个训练好的权重分别是基于mobilenetv1-025、mobilen

YOLOV4：You Only Look Once目标检测模型-修改mobilenet系列主干网络-在Keras当中的实现 2021年2月8日更新： 加入letterbox_image的选项，关闭letterbox_image后网络的map一般可以得到提升。 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 VOC-Test07 416x416 - 66.29 VOC07+12 VOC-Test07 416x416 - 80.18 VOC07+12 VOC-Test07 416x416 - 79.72 VOC07+12 VOC-Test07 416x416 - 78.45 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 注意事项 提供的四个训练好的权重分别是基于mobilenet

Classification：分类模型在Keras当中的实现 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 文件下载 训练所需的预训练权重都可以在百度云下载。 链接: 提取码: 36sn 训练所用的示例猫狗数据集也可以在百度云下载。 链接: 提取码: hmmx 预测步骤 a、使用预训练权重 下载完库后解压，model_data已经存在一个训练好的猫狗模型mobilenet025_catvsdog.h5，运行predict.py，输入 img/cat.jpg b、使用自己训练的权重 按照训练步骤训练。 在classification.py文件里面，在如下部分修改model_path、classes_path、backbone和alpha使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model

flexible-yolov5 基于 。 原始的Yolo V5是一个了不起的项目。 对于专业人士而言，理解和修改其代码应该不难。 我不是专家。 当我想对网络进行一些更改时，这并不是一件容易的事，例如添加分支和尝试其他骨干网。 也许会有像我这样的人，所以我将yolov5模型拆分为{主干，脖子，头部}，以方便各种模块的操作并支持更多的主干。基本上，我只更改了模型，而没有更改架构，培训和测试yolov5。 因此，如果原始代码被更新，则更新该代码也非常方便。 目录 [培训与测试]（＃培训与测试） 特征 重组骨干，脖子，头部等模型结构，可以灵活方便地修改网络 更多主干，mobilenetV3，shufflenetV2，resnet18、50、101等 先决条件 请参阅requirements.txt 入门 数据集准备 以yolov5格式制作数据。 您可以使用utils / make_yolov5

目前整车架构逐渐发展成区域控制器和zone架构，车载以太网会逐渐普及，其中车载以太网的网络安全已经变得越来越重要，本文，研究车载以太网的网络安全，从事汽车电子零部件开发的朋友，强烈推荐看一下。

南开大学主干课3-软件工程与软件测试技术2020秋辅导资料.docx