在运行目标检测典型算法yolov2时，有不同的神经网络可供选择，该文件是tiny版本，文件提供了神经网络中不同类型的层的配置参数包括batch_size, width,height,channel,momentum,decay，learning_rate等。

本资源是基于K210端侧平台部署头盔识别模型，资源包中包含已经训练好的kmodel格式的模型文件，可以直接部署到K210平台，同时还提供了课程设计报告pdf版以及答辩ppt

官方正版下载，from海外，童叟无欺。您已经在cfg/子目录中拥有YOLO的配置文件。您必须在此下载预先训练的权重文件，就是这个哦

本文档为本人对YOLOV2论文的翻译笔记，经过本人按原论文格式排版，校对，确保每处翻译不易出错，YOLOV2介绍了很多技术性改进方法，如果你想使用YOLOV3，建议你还是先阅读YOLOV2的论文，这样你能更清楚了解YOLOV3一些基本原理及技术

下载后放到darknet_ros/darknet_ros/yolo_network_config/weights/

人脸检测出发

目前，中国的城市化水平已超过50％，汽车保有量达到1.4亿辆。 随之而来的交通拥堵问题变得越来越突出。 如何实时，准确地获取车辆的基本信息越来越重要，以便交通部门及时管理特定路段和交叉路口的车辆。 目前，一些相关的方法和算法具有较高的实时性，但准确性不高或相反。 因此，本文提出了一种基于YOLOV2框架的车辆实时检测方法，该方法具有实时性和准确性。 该方法改进了YOLOv2框架模型，优化了模型中的重要参数，扩大了网格尺寸，并改进了模型中锚点的数量和大小，可以自动学习车辆的特征，实现实时，高精度的车辆自动检测和车辆类别识别。 对自制数据集的评估表明，与YOLOv2和Faster RCNN相比，准确率提高到91.80％，召回率提高到63.86％。

包含车牌数据，标注号的xml文件，以及转换好的txt文件

视频流的实时对象跟踪和检测 先决条件： OpenCV3.4 盗用者 在此处下载权重并将其放置在model_data /中 参数： $python3 src/main.py -h usage: main.py [-h] [--input INPUT] [--output OUTPUT] --model MODEL [--config CONFIG] [--classes CLASSES] [--thr THR] Object Detection and Tracking on Video Streams optional arguments: -h, --help show this help message and exit --input INPUT Path to input image or video fil

本实例展示了如何利用Yolov2模型进行猫狗视频检测，可实时检测，利用到了keans聚类确定anchor个数，大小，利用不同模型进行特征提取等知识。