适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） YOLO v4纸： : Paper Scaled ： ： 用于重现结果： 有关媒体的文章中的更多详细信息： 手册： ： 讨论： 关于Darknet框架： : AP50：95-FPS（Tesla V100）论文： ： AP50：95 / AP50-FPS（Tesla V100）论文： ： tkDNN-TensorRT将批处理= 1的YOLOv4加速约2倍，将批处理= 4的YOLOv4加速3倍-4倍。 tkDNN： ： OpenCV： : GeForce RTX 2080 Ti： 网络规模 暗网，FPS（平均） tkDNN TensorRT FP32，FPS tkDNN TensorRT FP16，FPS OpenCV FP16，FPS tkD

包含deploy.prototxt、labelmap_det.txt、VGG_ILSVRC2016_SSD_300x300_iter_440000.caffemodel文件 和SSD模型实现对象检测源码、图片素材 具体实现效果见CSDN博客“DNN系列3_SSD模型实现对象检测”

DE⫶TR ：使用变压器进行端到端物体检测 PyTorch的DETR （ DE tection TR ansformer）训练代码和预训练模型。 我们用变压器代替了整个复杂的手工物体检测管道，并用ResNet-50匹配了Faster R-CNN，使用一半的计算能力（FLOP）和相同数量的参数在COCO上获得了42个AP 。 在PyTorch的50行中进行推断。 这是什么。 与传统的计算机视觉技术不同，DETR将对象检测作为直接设置的预测问题。 它由基于集合的全局损耗（通过二分匹配强制唯一预测）和变压器编码器-解码器体系结构组成。 给定固定的学习对象查询集，则DETR会考虑对象与全局图像上下文之间的关系，以直接并行并行输出最终的预测集。 由于这种并行性质，DETR非常快速和有效。 关于代码。 我们认为，对象检测不应该比分类困难，也不需要复杂的库来进行训练和推理。 DETR的实现和试验非常

这是适用于Windows和Linux的YOLO-v3和v2。 YOLO（您只看一次）是Darknet的最先进的实时对象检测系统，Darknet是C语言中的一种开源神经网络框架。YOLO非常快速，准确。 它使用单个神经网络将整个图像划分为多个区域，然后预测每个区域的边界框和概率。 该项目是原始Darknet项目的分支。

YOLOv4 / Scaled-YOLOv4 / YOLO-用于对象检测的神经网络（Windows和Linux版本的Darknet）

停车和车道违规检测 使用目标检测器和跟踪器检测停车和车道违规 逐步设置 Yolo和Tracker 第1步-克隆 将存储库克隆到所需的文件夹中。 第2步-下载变量文件 下载变量文件 第3步-将变量文件放入所需位置 将下载的变量文件放入： cloned folder location > project_root/yolo/checkpoints/yolov4-416/variables/ 第4步-下载yolov4 从下载yolov4 步骤5-将yolov4放入所需位置 将yolov4.weights文件放入： cloned folder location > project_root/yolo/data/ 安装依赖项 确保正确安装以下依赖 步骤6-依存关系 openCV Python （Contrib版本） pip install opencv-python-contrib tens

⚡️利用Tensorflow.js实现浏览内的快速对象检测

OpenCV最新版本3.1.0+VS2015+C++ OpenCV中特征提取与对象检测部分内容： 角点检测、亚像素定位、SIFT、SURF、BRISK、AKAZE等常用特征检测方法的基本原理、使用方法、参数、代码演示。 HAAR级联检测基本原理与人脸检测代码演示， 描述子匹配的暴力匹配方法与FLANN匹配方法代码演示与对象识别

IoU预测的概率锚分配用于对象检测 姜金和熙锡李。 这是基于和 Probabilistic Anchor Assignment with IoU Prediction for Object Detection的PyTorch实现（）。 笔记 现在，该代码支持PyTorch 1.6 。 在可以使用PAA。非常感谢的出色工作！ 介绍 在对象检测中，确定将哪些锚分配为正样本或负样本（称为锚分配）已被公认为是可以严重影响模型性能的核心过程。在本文中，我们提出了一种新颖的锚点分配策略，该策略根据模型的学习状态将锚点自适应地分为正样本和负样本，用于地面真值边界框，从而能够以概率方式推理出分离。为此，我们首先计算以模型为条件的锚点的分数，并对这些分数拟合概率分布。然后使用根据锚概率分为正样本和负样本的锚对模型进行训练。此外，我们调查了培训和测试目标之间的差距，并建议预测检测到的盒子的交集在交集上，以作为

Viseron-具有对象检测功能的自托管NVR Viseron是使用Python实现的自托管，仅限本地NVR。目标是易于使用，同时还利用硬件加速来最小化系统负载。 显着特点 记录检测到的物体上的视频 支持多种不同的物体检测器： 使用OpenCVYOLOv3 / 4 Darknet 通过Google Coral EdgeTPU进行Tensorflow 运动检测 人脸识别 回溯，缓冲帧以在事件实际发生之前进行记录 多平台应支持任何运行Linux的x86-64机器以及RPi3。在以下平台上对构建进行测试和验证： 带有Nvidia GPU的Ubuntu 18.04 在Intel NUC上运行的Ubuntu 18.04 RaspberryPi 3B + 对RTSP和MJPEG的本机支持 支持不同平台上的硬件加速 CUDA用于具有受支持GPU的系统 OpenCL的 RaspberryPi 3B +