使用yolo v3 预训练模型，通常用在自己专业训练集训练，采用darknet53作为boneback进行训练。

使用PyTorch进行深度排序 更新（1-1-2020） 变化 修正错误 重构代码 通过在gpu上添加nms来进行准确检测 最新更新（07-22） 变化 错误修复（感谢@ JieChen91和@ yingsen1进行错误报告）。 使用批处理为每个帧提取特征，这会导致速度提速。 代码改进。 进一步的改进方向 在特定数据集而不是官方数据集上训练检测器。 在pedestrain数据集上重新训练REID模型以获得更好的性能。 将YOLOv3检测器替换为高级检测器。 欢迎对此存储库做出任何贡献！ 介绍 这是MOT跟踪算法深度排序的一种实现。 深度排序与排序基本相同，但深度CNN模型添加了CNN模型以提取受检测器限制的人体部位图像中的特征。 这个CNN模型确实是一个RE-ID模型， 使用的检测器是FasterRCNN，原始源代码是 。 但是，在原始代码中，CNN模型是使用tensorf

YoloV3-ncnn-Jetson-Nano 带有ncnn框架的YoloV3。 论文： : 专为Jetson Nano设计的产品，请参阅 基准。 模型 杰特逊纳米2015 MHz RPi 4 64-OS 1950兆赫 YoloV2（416x416） 10.1帧/秒 3.0帧/秒 YoloV3（352x352）微小 17.7帧/秒 4.4 FPS YoloV4（416x416）微小 11.2 FPS 3.4帧/秒 YoloV4（608x608）完整 0.7帧/秒 0.2帧/秒 YoloV5（640x640）小 4.0 FPS 1.6帧/秒 依赖关系。 2021年4月4日：改编为ncnn版本20210322 要运行该应用程序，您必须： 已安装腾讯ncnn框架。 代码：：已安装块。 （ $ sudo apt-get install codeblocks ） 安装应用程

为解决在嵌入式设备上实时、高精度检测司机安全驾驶监督的问题，本文基于目标检测中经典的深度学习神经网络YOLOv3-tiny，运用通道剪枝技术成功在目标检测任务中实现了模型压缩，在精度不变的情况下减少了改进后神经网络的计算总量和参数总数.并基于NVIDIA的推理框架TensorRT进行了模型层级融合和半精度加速，部署加速后的模型.实验结果表明，加速模型的推理速度约为原模型的2倍，参数体积缩小一半，精度无损失，实现了高精度下实时检测的目的.

YOLOv3 资源合集-附件资源

利用海思HI3559平台，来实现yolov3实时的输入输出识别处理，经过实际测试，海思3559平台可以达到8帧/s的识别速度。 本课程详细介绍了该算法实现的原理，框架以及过程，详细解释了源代码，并且已经将实现的代码上传课件，学员可以下载后直接实现该算法。

本功能包是darknet_ros功能包，基于COCO数据集的80类目标实时检测源代码，按照我博客的步骤简单编译即可运行。实现摄像头输入的实时检测目标并通过ros话题发布目标类型和置信度等消息。由于我编译好的功能包体积太大超过上传的限制，所以很遗憾不能直接上传，先自己改，如果自己实在改不了的话，可以私信我获取我编译好的完整功能包与模型。

国外官网上下的yolov3.weights权重，容易的断，不太好下，好不容易下载成功，230多兆，有需要的朋友可以下载。

YOLOv3 tensorflow：用TensorFlow实现的YOLOv3目标检测

YOLOv3论文复现，选用pytorch的框架，可以识别文件中的图片和摄像头