该文档为目标检测算法YOLOV3算法在训练数据集市所使用的的框架，制作适合自己的数据集使用该文档、数据进行训练YOLOV3数据。具体训练YOLOV3数据集的方法可以参考博客 https://blog.csdn.net/qq_41900772/article/details/95064437

pytorch yolov3权重文件，里面包含yolov3和yolov3-tiny两种权重文件：darknet53.conv.74和yolov3-tiny.conv.15

目标检测complex_yolov3权重（已训练模型）

yolo3可视化界面_火焰检测+2k已标注火焰数据集.7z 开盖即食，函数模块化处理，修改方便，添加错误反馈机制，运行更稳定 共有5个界面：登陆、注册、图片检测（打开、检测）、视频检测（打开视频、关闭视频、检测视频、停止检测）、实时检测（打开摄像头、关闭、检测、关闭检测） 其中在所有检测种，使用本数据集检测正确度可以达到90%

yolov3-tiny 相关的配置文件包括训练好的权重，可以直接拿来用

TensorFlow-2.x-YOLOv3和YOLOv4教程 TensorFlow 2.x中的YOLOv3和YOLOv4实现，并支持训练，传递训练，对象跟踪mAP等...代码已通过以下规格测试： i7-7700k CPU和Nvidia 1080TI GPU 操作系统Ubuntu 18.04 CUDA 10.1 cuDNN v7.6.5 TensorRT-6.0.1.5 Tensorflow-GPU 2.3.1 代码已在Ubuntu和Windows 10上进行了测试（不正式支持TensorRT） 使用2.4.0 TensorFlow-不起作用！ 安装 首先，克隆或下载此GitHub存储库。安装要求并下载预训练的砝码： pip install -r ./requirements.txt # yolov3 wget -P model_data https://pjreddie.com

yolov3算法的实际应用，船只计数，精选的算法总结；

yolov3论文，详细的讲解了yolo的原理，值得一看！

YOLO 的核心思想就是利用整张图作为网络的输入，直接在输出层回归 bounding box（边界框） 的位置及其所属的类别。 faster-RCNN 中也直接用整张图作为输入，但是 faster-RCNN 整体还是采用了RCNN 那种 proposal+classifier 的思想，只不过是将提取 proposal 的步骤放在 CNN 中实现了，而 YOLO 则采用直接回归的思路。

一种基于YOLOV3司机危险动作识别方法及系统.pdf