使用深度学习和OpenCV进行社交距离 目的 由于COVID-19，今天的不幸情况使人与人之间的距离至关重要。 目标是检测使用深度学习的人员，并找出人员之间的距离，以检查人员是否维持6英尺或1.8 m的标准社交距离。 工具和库 Python OpenCV YoloV3 描述 第1步：在相框/图片中找到人数。 步骤2：为使用YOLO确定的人员创建边界框。 步骤3：为对象设置宽度阈值，在其中测量距离，即人的宽度。 我将宽度设置为27英寸或0.70米。 如果需要，请尝试其他值。 步骤4：将像素映射到公制（米或英寸）。 步骤5：以米为单位，找到一个人到另一个人的中心点之间的距离。 结果

python写的，将keras训练的yolo.h5文件，转换为.weights文件。 使用方法： 需要文件：cfg，yolo_anchors.txt, voc_classes.txt, .h5 放到所在文件夹下 需要修改：:h5文件，cfg文件，输出文件名

轻量化的训练 模型脚本,适合学习模型原理,可以训练你自己的数据集

deep_sort_pytorch-master-yolov3配置好的代码，使用darknet版YOLOv3.weights权重

CSDN-tiny YOLO v3做缺陷检测实战。九月份用tiny-yolo v3做了一个缺陷检测的实验，效果出乎意料，准确率和召回率“满分”！

煤矿井下传送带在无煤或煤量较少的状态下长时间高速运转, 会耗费大量的电能. 为了节省井下传送带造成的电能损耗, 本文提出了一种边缘结构相似算法和YOLOv3结合的传送带空载判定方法. 通过边缘结构相似算法将结构特征和边缘特征相融合, 每相邻10帧比较图片的相似度, 连续比较3次判断传送带的运行状态. 若传送带运行, 则运用自适应锚框机制的YOLOv3模型, 检测传送带上的煤量, 最后判断传送带是否空载. 实验结果表明, 该方法可以有效准确的判断传送带的空载状态, 检测准确率达到96.85%.

YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。本课程将手把手地教大家使用labelImg标注和使用YOLOv3训练自己的数据集。课程分为三个小项目：足球目标检测（单目标检测）、梅西目标检测（单目标检测）、足球和梅西同时目标检测（两目标检测）。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。包括：安装Darknet、给自己的数据集打标签、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计算和画出PR曲线)和先验框聚类。Darknet是使用C语言实现的轻型开源深度学习框架，依赖少，可移植性好，值得深入探究。 购课后可加入白勇老师课程学习交流QQ群：957519975除本课程《YOLOv3目标检测实战：训练自己的数据集》外，本人推出了有关YOLOv3目标检测的系列课程，请持续关注该系列的其它课程视频，包括：《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》《YOLOv3目标检测：网络模型改进方法》 敬请关注并选择学习！

labelme标注工具生成的json文件内容格式转YOLOV3标签格式

深度学习PyTorch-YOLOv3

注意本次项目未写完，不过已经完成了模型训练，可以根据模型的训练写预测，因一些其他原因没有继续完成。