使用 Python Opencv 实现 Yolo v3，讲清每一步，每一行代码，包含 jupyter-notebook效果以及 matplotlib 与 OpenCV 之间的图像差异，博客地址：https://blog.csdn.net/qq_39567427/article/details/105451962 所需下载文件

告知：需要学习YOLOv4进行TT100K数据集上中国交通标志识别的学员请前往(1) Ubuntu系统《YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29362(2)《Windows版YOLOv4目标检测实战：中国交通标志识别》课程链接：https://edu.csdn.net/course/detail/29363 在无人驾驶中，交通标志识别是一项重要的任务。本课程中的项目以美国交通标志数据集LISA为训练对象，采用YOLOv3目标检测方法实现实时交通标志识别。具体项目过程包括包括：安装Darknet、下载LISA交通标志数据集、数据集格式转换、修改配置文件、训练LISA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。YOLOv3基于深度学习，可以实时地进行端到端的目标检测，以速度快见长。本课程将手把手地教大家使用YOLOv3实现交通标志的多目标检测。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。 Darknet是使用C语言实现的轻型开源深度学习框架

详细描述daknet yolov3训练过程，包含数据标注、标注数据转化说明及其python代码、CPU和GPU训练过程及GPU训练结果描述，适合刚接触darknet模型训练的朋友们，如对文档相关内容或yolo模型相关的其他问题，均可留言交流哦！感谢支持，也希望能帮到大家！

为了满足工业上对织物缺陷检测的实时性要求,提出一种基于S-YOLOV3(Slimming You Only Look Once Version 3)模型的织物实时缺陷检测算法。首先使用K均值聚类算法确定目标先验框,以适应不同尺寸的缺陷;然后预训练YOLOV3模型得到权重参数,利用批归一化层中的缩放因子γ评估每个卷积核的权重,将权重值低于阈值的卷积核进行剪枝以得到S-YOLOV3模型,实现模型压缩和加速;最后对剪枝后的网络进行微调以提高模型检测的准确率。实验结果表明:对于不同复杂纹理的织物,所提模型都能准确检测,且平均精度均值达到94%,剪枝后检测速度提高到55 FPS,所得的准确率与实时性均满足工业上的实际需求。

性能情况 Performance 所需环境 Environment 文件下载 Download 训练步骤 How2train 预测步骤 How2predict 评估步骤 How2eval 参考资料 Reference 训练步骤 a、训练VOC07+12数据集 数据集的准备 本文使用VOC格式进行训练，训练前需要下载好VOC07+12的数据集，解压后放在根目录 数据集的处理 修改voc_annotation.py里面的annotation_mode=2，运行voc_annotation.py生成根目录下的2007_train.txt和2007_val.txt。 开始网络训练 train.py的默认参数用于训练VOC数据集，直接运行train.py即可开始训练。 训练结果预测 训练结果预测需要用到两个文件，分别是yolo.py和predict.py。我们首先需要去yolo.py里面修改model_path以及classes_path，这两个参数必须要修改。 model_path指向训练好的权值文件，在logs文件夹里。 classes_path指向检测类别所对应的txt。 完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。 b、训练自己的数据集 数据集的准备 本文使用VOC格式进行训练，训练前需要自己制作好数据集， 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的Annotation中。 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。 数据集的处理 在完成数据集的摆放之后，我们需要利用voc_annotation.py获得训练用的2007_train.txt和2007_val.txt。 修改voc_annotation.py里面的参数。第一次训练可以仅修改classes_path，classes_path用于指向检测类别所对应的txt。 训练自己的数据集时，可以自己建立一个cls_classes.txt，里面写自己所需要区分的类别。 model_data/cls_classes.txt文件内容为： cat dog ... 修改voc_annotation.py中的classes_path，使其对应cls_classes.txt，并运行voc_annotation.py。 开始网络训练 训练的参数较多，均在train.py中，大家可以在下载库后仔细看注释，其中最重要的部分依然是train.py里的classes_path。 classes_path用于指向检测类别所对应的txt，这个txt和voc_annotation.py里面的txt一样！训练自己的数据集必须要修改！ 修改完classes_path后就可以运行train.py开始训练了，在训练多个epoch后，权值会生成在logs文件夹中。 训练结果预测 训练结果预测需要用到两个文件，分别是yolo.py和predict.py。在yolo.py里面修改model_path以及classes_path。 model_path指向训练好的权值文件，在logs文件夹里。 classes_path指向检测类别所对应的txt。 完成修改后就可以运行predict.py进行检测了。运行后输入图片路径即可检测。 预测步骤 a、使用预训练权重 下载完库后解压，在百度网盘下载yolo_weights.pth，放入model_data，运行predict.py，输入 img/street.jpg 在predict.py里面进行设置可以进行fps测试和video视频检测。 b、使用自己训练的权重 按照训练步骤训练。 在yolo.py文件里面，在如下部分修改model_path和classes_path使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类。 _defaults = { #--------------------------------------------------------------------------# # 使用自己训练好的模型进行预测一定要修改model_path和classes_path！ # model_path指向logs文件夹下的权值文件，classes_path指向model_data下的txt # 如果出现shape不匹配，同时要注意训练时的model_path和classes_path参数的修改 #-----------------------------------------------------

单目标任务跟踪yolov3-附件资源

pytorch实现yoloV3全套代码、配置文件打包、权重文件、coco.name文件打包，直接运行detect即可实现识别自己的图片

yolov3_OpenImage图像训练教程 https://blog.csdn.net/LuohenYJ/article/details/88581335

keras-yolov3权重文件

损失函数matlab代码 #iyolov3_learning 用来自己学习yolo，有缘的新手看到也能一起学学！ 目标 不敲一行代码、不改损失函数，随意拼接、改网络。 搞懂损失函数、反向传播 自己改损失函数，写反向传播，再试试训练效果 ... 更新内容: 2018.12.23 创建项目 上传了2个DIY的yolo模型 上传了人头数据集brainwash的地址 上传了数据集brainwash格式转yolo格式的matlab脚本文件 idl2yolo 2018.12.24 上传SCUT_HEAD人头数据集 上传配套格式转换脚本（修改自yolo的voc脚本） 原数据集xml文件有问题，有些size是0,0，用上面的脚本可以修复,文件路径自己vim看下改改