yolov4目标检测算法 ，一共1338张训练集，已标注好。可识别0 1 2 3 4 5手势，

将VOC格式文件放至data的文件夹 JPEGImages文件夹中存放数据图片 Annotations文件夹中存放与图片一一对应的标签文件 调整voc2yolo4.py文件中的trainval_percent 、train_percent的值，控制训练集、测试集、验证集的比例；调整完成后运行该文件，在data/ImageSets/Main文件夹中生成对应数据集的图片文件名 运行voc_annotation.py文件，运行前将文件中的classes列表替换为自己数据集的class的名字 运行后自动生成yolo_train.txt文件，文件中每一行的格式为图片路径和图片中标注框的位置以及分类，如下所示 data/JPEGImages/MVI_20011__img00001.jpg 592,378,752,540,3 557,120,604,163,2 545,88,580,118,2 508,67,536,92,3 553,70,582,89,7 731,114,783,153,2 902,250,960,357,3 修改train.py中的路径参数与自己电脑上的路径相匹配 classes

颜色分类leetcode 车辆识别API 介绍 用于 . Flask 服务器公开了用于汽车品牌和颜色识别的 REST API。 它由一个用于查找汽车的物体检测器和两个用于识别检测到的汽车的品牌和颜色的分类器组成。 对象检测器是 YOLOv4（OpenCV DNN 后端）的实现。 YOLOv4 权重是从 . 分类器基于 MobileNet v3（阿里巴巴 MNN 后端）。 完整版可识别车辆的品牌、型号和颜色。 这是一个测试它的网络演示： API 很简单：在端口 6000 上向本地主机发出 HTTP POST 请求。输入图像必须使用 multipart/form-data 编码发送。 它必须是 jpg 或 png。 在 Windows 10 和 Ubuntu Linux 下测试。 用法 服务器使用以下命令启动： $ python car_recognition_server.py 使用 curl 的请求格式为： curl "http://127.0.0.1:6000" -H "Content-Type: multipart/form-data" --form "image=@cars.jp

主要是yolov4-tiny和opencv4.4的源码，功能主要用于目标检测，可以在Ubuntu或Linux上跑，直接实现摄像头、视频、图片的检测。

无人机检测数据集，此为第六部分，标签格式为txt和xml两种，可以直接用于YOLO系列目标检测算法实现无人机检测，类别名为drone，数量为6000多张

先打开摄像头，再点打开检测，CPU配置比较卡，GPU要快很多，如果要识别其他物体，需替换自己的训练数据集yolov3.weights 还有CFG文件 仅大家交流，我也是好久才搞会视频和摄像头检测！由于包括训练数据集，文件有点大约800M

yolov4人工智能识别算法结构

1400张车子的数据集，已经完全手工专业标注完成，包括车子图片和生成的.xml文件，可供yolov3、yolov4、yolov5框架训练出车辆检测模型，识别度超过百分之98以上。

yolov4.weights 官方Google driver转存，上传限制，分卷上传, yolov4.weights.zip.001 yolov4.weights.zip.002

Import and export Darknet models(https://github.com/pjreddie/darknet ) within MATLAB deep learning networks. The importer can import all the seriesNetworks in the darknet and some simple DAGnetworks. The exporter can export all the seriesNetworks and some of the backbone networks. In addition to importing the deep neural network, the importer can obtain the feature map size of the network, the n