车祸事故项目 道路交叉口经常发生交通事故。 一个能够在发生事故时发出警告的系统是对事故做出快速响应的必要条件。 我们的项目能够检测到尤其在道路交叉口发生的“ T”形事故。 在项目中，通过查看被检测对象的坐标相交来进行事故检测。 Darknet YOLO V3用于事故检测。 通过查看汽车，摩托车，自行车和公共汽车的坐标来进行事故检测。 该算法在白天碰撞视频期间在单车道道路上的“ T”形碰撞中正常工作。 该项目是在Ubuntu 18.04操作系统上开发的。 在您自己的计算机上运行项目 在计算机上安装 。 将将Darknet构建后创建的“ darknet.so”文件粘贴到项目目录中，并将文件名更改为“ libdarknet.so”。 创建虚拟环境（Python 3.6） 上传所需的库可在requirements.txt 。 在项目目录中时， pip install -r requirem

YOLOV3：只看一次目标检测模型在Pytorch当中的实现-替换高效网络主干网络 2021年2月8日更新：加入letterbox_image的选项，关闭letterbox_image后网络的地图得到大幅度提升。 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 行动计划0.5：0.95 行动计划0.5 挥发性有机化合物07 + 12 VOC-Test07 416x416 -- 78.9 所需环境 火炬== 1.2.0 文件下载 训练所需的efficiencynet-b2-yolov3的权重可以在百度云下载。链接： ： 提取码：hiuq其他版本的efficiencynet的权重可以将YoloBody（Config，phi = phi，load_weights = False）的load_weights参数设置成True，从而获得。 预测步骤 a，使用预训练权

使用yolov3-tiny训练一个人脸检测器-附件资源

YOLOv3树叶识别实践

MVision机器视觉机器视觉 感谢支持 无人驾驶的各个方面知识 1. 感知（Perception）： 主要涉及的技术点包括场景理解、交通状况分析、路面检测、空间检测、 障碍物检测、行人检测、路沿检测、车道检测。还有一个比较新颖有趣的是通过胎压去检测道路质量。 在无人驾驶行业，有一套通用的数据集——KITTI数据集，里面有不同的数据，包括双目视觉的数据、定位导航的数据等。 物体检测（Object Detection）： 传统方法主要是针对固定物体的检测。一般的方法是HOG（ 方向梯度直方图），然后再加一个SVM的分类器。 而对于动

yolov3 代码包 yolov3 代码包 yolov3 代码包

1、YOLOv3汽车、摩托车、卡车三类检测权重，附有各种训练曲线图，可使用tensorboard打开训练日志, 2、1500多张图片，已经标注好，标签格式为voc格式和YOLO格式，可以直接用于目标检测 3、包含以下类别 ：car、motorbike、truck 4、数据集和检测结果：https://blog.csdn.net/weixin_51154380/article/details/126395695?spm=1001.2014.3001.5502

Yolov3+Flask+2k图片+99%检测率权重——交互式框架 0x01 主页视图 0x02 图片检测 0x03 视频检测 0x04 实时检测 0x05 训练数据 0x06 日志记录

包含源代码

yolov3.weights是训练好的权重文件；yolov3.cfg是神经网络的结构文件；coco.names是算法的类别文件