对yolov3进行TensorRT加速，大约提高30%的inference速度，仅供学习参考，请勿商业使用。

警告：此存储库已过时，因为我不幸没有时间对其进行维护。 如果您想作为合作者继续开发它，请给我发送电子邮件至 。 PyTorch-YOLOv3 YOLOv3的最小PyTorch实现，并支持训练，推断和评估。 安装 克隆和安装要求 $ git clone https://github.com/eriklindernoren/PyTorch-YOLOv3 $ cd PyTorch-YOLOv3/ $ sudo pip3 install -r requirements.txt 下载预先训练的体重 $ cd weights/ $ bash download_weights.sh 下载COCO $ cd data/ $ bash get_coco_dataset.sh 测试 在COCO测试中评估模型。 $ python3 test.py --weights_path weights/yolov3

yolov3-vehicle-detection-paddle 我的博客地址： vehicle-detection based on yolov3（基于paddle的YOLOv3车辆检测和车辆类型识别） 今天我们使用 Paddle 开源的两个工具：PaddleDetection 和 X2Paddle 来进行一个车辆检测和类型识别的小demo~ 源码地址： 最终的检测效果如图： 一. PaddleDetection 简介： 源码地址： 官方文档： PaddleDetection 创立的目的是为工业界和学术界提供丰富、易用的目标检测模型。不仅性能优越、易于部署，而且能够灵活的满足算法研究的需求。 简而言之就是，该工具使用百度开源的 Paddle 框架，集成了多种图像识别和目标检测框架，并且提供了相应的训练、推理和部署工具，使得用户可以自己 DIY 数据集和模型细节，实现深度学习落地应用的快速部

win10+YOLOV3+opencv3.4.12+vs2015+mfc。基于VS2015的MFC对话框，实现yolov3，文件夹内含有opencv3.4.12以及yolov3权重文件。可直接运行

yolo的一系列资源（yolov3.cfg、yolov3.weights、yolov3-tiny.cfg、yolov3-tiny.weights、coco.names）

近年来，因工人未佩戴安全帽而造成的施工事故频繁发生，为降低事故发生率，对工人安全帽佩戴情况进行图像描述的研究。当前基于神经网络的图像描述方法缺乏可解释性且细节描述不充分，施冮场景图像描述的硏究较为匮乏，针对该问题，提出采用YωLOv3（ You Only Look Once）的检测算法，以及基于语义规则和语勺模板相结合的方法递进式地生成安全帽佩戴的描述语句。首先，采集数据，制作安全帽佩戴检测数据集和图像字幕欻据集;其次，使用K-meas算法确定适用于该数据集的锚框参数值，用以YOLO√3网络的训练与检测;再次，预定义一个语义规则，结合目标检测结釆来提取视觉概念;最后，将提取出的视觉概念填充进由图像字幕标注生成的语句模板，以生成关于施工场景中工人安全帽佩戴的图像描述语句。使用Ubuntu16.04系统和 Keras深度学习框架搭建实验环境，在自制的安全帽佩戴数据集上进行不冋算法的对比实验。实验结果表明，所提方法不仅能够有效界定安全帽佩戴者和未佩戴者的数量，而且在BLEU-Ⅰ和CIEr评价指标上的得分分别达到了0.722和0.957，相比其他方法分别提高了6.9%和14.8%，证明了该方法的有效性和优越性。

里面包含了yolov3.weights、yolov3-tiny.weights、darknet53.conv.74

该文件是yolov3-tiny的预训练模型，用于YOLOv3-tiny训练过程。Yolov3训练得到的模型比较大，而Yolov3-tiny训练得到的模型小很多，可用于移动端的移植。

yolov3 github源码中自带的把~我再上传一遍也没毛病，放这里存一下，免得忘了............

yolov3 in mxnet