人工智能_YOLOv3_行人重识别_利用YOLOv3结合行人重识别模型，实现行人的检测识别，查找特定行人 YOLO是直接采用原来的权重文件，并且还支持YOLO-spp. 行人重识别采用了Market1501、CUHK03和MSMT17三个数据集大概十七万张图片进行联合训练的，泛化性能更好。

yolov3.zip

一、源码包中有3300张火灾识别数据集，标准完成。 二、数据集在darknet/VOCdevkit/VOC2007/JPEGImages目录下。 三、标注的xml文件在darknet/VOCdevkit/VOC2007/Annotations目录下。 四、训练自己的数据集步骤： 1、配置darkent 环境（网上教程很多，cpu、gpu均可） 2、对应目录下放置数据集和标注生成的xml文件 3、darknet根目录下执行./gen_files.py 4、darknet根目录下执行./darknet detector train cfg/voc-fire.data cfg/yolov3-voc-fire.cfg darknet53.conv.74 开始训练 （也可执行./darknet detector train cfg/voc-fire.data cfg/yolov3-tiny-fire.cfg 开始训练yolov3-tiny模型） 5、bakup下生成训练好的权重文件

yolov3目标检测可视化框架（轻量级）——以火焰识别为例 a.内置火焰识别数据集（2k张手工已标注）/权重（正确率95%） b.其中主要包含有图片检测、权重加载、可信度调整、检测结果保存，日志输出功能（可扩充） c.文件中的权重和数据集可以更换，训练介绍后不影响GUI的使用

deepsort-yolov3-车辆行人-跟踪结果

车辆检测数据集，类别为car、bus、truck三个类别，每张图中含有多个类别，标注在了一起，标签格式我txt和xml两种，可以直接用于YOLO车辆检测等等，数量有几千张

ZYNQ实现yolov3-tiny算法，有各个模块实现的工程及全套代码，包括下面几个部分yolo_acc,yolo_conv,yolo_max_pool,yolo_upsamp,yolo_yolo这几个模块。

ROS的YOLOv3 概述 这是的扩展使用ROS包装器实现YOLOv3作为ROS节点的功能的。 该节点是用Python编写的，并遵循原始darknet软件包中包含的示例。 该软件包已在Ubuntu 16.04和ROS Kinetic上进行了测试。 作者：王子凡， 引用 关于Darknet： : YOLOv3方法最初在描述。 结果 安装 依存关系 OpenCV3的 西皮 建造 转到您的工作区并下载存储库： git clone --recursive https://github.com/SailColubrid/yolo3_ros.git 首先构建Darknet，请参阅 cd yolo3_ros cd darknet 如果要使用GPU和cudnn。 请确保您更改 OPENCV = 0 在Makefile中 OPENCV = 1 启用OpenCV使用。 对于ros_yo

tensorflow-lite-yolo-v3 将YOLO v3对象检测器的权重转换为tensorflow lite格式。 它也可以用于张量流服务。 设置环境 docker build -t tflite . docker run -it -v /home/peace195/tensorflow-lite-yolo-v3:/root/ tflite 怎么跑 下载COCO类名称文件： wget https://raw.githubusercontent.com/pjreddie/darknet/master/data/coco.names 下载具有所需权重的二进制文件： 全权重： wget https://pjreddie.com/media/files/yolov3.weights 小重量： wget https://pjreddie.com/media/files/yolov3-

颜色分类leetcode 使用 YOLOv3 对象检测器的汽车颜色分类示例 介绍 使用 . 它由用于查找汽车的目标检测器和用于识别检测到的汽车颜色的分类器组成。 对象检测器是 YOLOv3（OpenCV DNN 后端）的实现。 它不使用 GPU，在 Intel Core i5-7600 CPU 上处理一帧需要 1 秒。 YOLOv3 权重是从 . 分类器基于 Mobilenet v2（TensorFlow 后端）。 在 Intel Core i5-7600 CPU 上进行单一分类需要 35 毫秒。 它可以通过在 GPU 上运行和使用批处理来进一步加速。 这个分类器还不够准确，用作概念验证演示。 图像中的物体检测和分类 此示例将图像作为输入，使用 YOLOv3 对象检测器检测汽车，裁剪汽车图像，在保持纵横比的情况下使它们成为正方形，将它们调整为分类器的输入大小，并识别每辆车的颜色。 结果显示在显示屏上并保存为 output.jpg 图像文件。 用法 使用 --help 查看 car_color_classifier_yolo3.py 的用法： $ python car_color_cla