1、YOLOv3猫狗检测训练模型，包含YOLOv3和YOLOv3_tiny两种训练好的猫狗检测权重，从自动一万多张猫狗检测数据集训练得到。 2、并包含10000多张标注好的猫狗检测数据集，标签格式为xml和txt两种，类别名为cat和dog，配置好环境后可以直接使用 4、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 5、采用pytrch框架，python代码

人工智能-项目实践-图像识别-基于YOLOV3的人体口罩佩戴检测

人工智能-项目实践-图像识别-基于深度学习的口罩佩戴检测，Keras-YOLOv3 实现。 MaskDetect 基于深度学习的口罩佩戴检测，Keras-YOLOv3 实现。

目标检测yolov2和yolov3的权重文件，并且有基于voc数据集训练好的权重。

1、Darknet版yolov3烟雾检测训练模型，训练好的权重文件，包含smoke.data , smoke.names, yolov3 -smoke.cfg， yolov3 -smoke_best.weights权重文件，并包含训练loss曲线和map曲线图， 2、检测结果见：https://blog.csdn.net/weixin_51154380/article/details/124480876 3、并附有2000+烟雾检测数据集，标签为VOC格式

1、YOLOv3训练好的烟雾检测模型，训练了yoov3-smoke.pt和YOLOvs3_tiny-smoke.pt。两个模型； 并包含4500多张标注好的烟雾数据集，标签格式为xml和txt两种，类别名为smoke，配置好环境后可以直接使用 2、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 3、采用pytrch框架，代码是python的

1、YOLOv3吸烟行为检测，两种训练好的模型，内含各种训练曲线图，并包含数据集， 5000多张使用lableimg软件标注软件标注好的吸烟数据，图片格式为jpg，标签有两种，分别为xml格式和txt格式，分别保存在两个文件夹中，类别名为smoke; 可以直接用于YOLO系列的吸烟行， 2、包含yolov3和YOLOv3_tiny两种训练好的模型 3、数据集和检测结果参考：https://blog.csdn.net/zhiqingAI/article/details/124230743 4、采用pytrch框架，代码是python的

PyTorch-Spiking-YOLOv3 基于YOLOv3的PyTorch实现（ ）的Spiking-YOLOv3的PyTorch实现，目前支持Spiking-YOLOv3-Tiny。 整个Spiking-YOLOv3即将得到支持。 介绍 为了实现尖峰效果，YOLOv3-Tiny中的某些运算符已进行等效转换。 有关详细信息，请参阅/ cfg中的yolov3-tiny-ours（*）。cfg。 某些运营商的转换 'maxpool（stride = 2）'->'convolutional（stride = 2）' 'maxpool（stride = 1）'->'none' 'upsample'->'transposed_convolutional' 'leaky_relu'->'relu' '批处理标准化'->'fuse_conv_and_bn' 用法 有关培训，评估和推断的基

简介此目录包含由Ultralytics LLC开发的PyTorch YOLOv3软件，可以根据GPL-3.0许可免费分发。 有关更多信息，请参见简介该目录包含Ultralytics LLC开发的PyTorch YOLOv3软件，可根据GPL-3.0许可免费重新分发。 有关更多信息，请访问https://www.ultralytics.com。 描述https://github.com/ultralytics/yolov3存储库包含PyTorch中YOLOv3的推断和培训代码。 该代码可在Linux，MacOS和Windows上运行。 默认情况下，对COCO数据集进行培训：https：//cocodataset.org/#home。 归功于Joseph Redmon的YO

此存储库包含PyTorch中YOLOv3的Ultralytics推理和训练代码。 该代码可在Linux，MacOS和Windows上运行。 感谢YOLO的Joseph Redmon 。 要求 安装了所有依赖关系的Python 3.8或更高版本，包括torch>=1.6 。 要安装运行： $ pip install -r requirements.txt 讲解 <<强烈推荐 训练 开始训练：使用data/get_coco2017.sh下载COCO数据后， python3 train.py开始训练。 每个时期训练来自火车的117,263张图像并验证COCO集，并测试来自COCO验证集的5000张图像。 恢复训练： python3 train.py --resume恢复从weights/last.pt恢复训练。 情节培训： from utils import utils; utils.