deeplearning.ai课程需要的yolo.h5，亲测能用。 需要做如下改动 # image, image_data = preprocess_image("images/" + image_file, model_image_size=(608, 608)) image, image_data = preprocess_image("images/" + image_file, model_image_size=(416, 416))

深度学习-物体检测-YOLO系列视频教程，2020最新课程，课程主要包括两大核心模块： 1、YOLO系列算法精讲，详细解读3篇论文核心知识点与整体网络架构并对其效果展开深入分析，通俗讲解YOLO架构实现原理与效果提升细节 2、YOLO-V3项目实战，详细解读V3版本源码，通过debug模式讲解其中每一行代码，从根本掌握YOLO系列全部实现细节。整体风格通俗易懂，原理+实战实战，提供全部课程所需PPT,数据，代码。

目标检测作为计算机视觉中的四大最基本的、最具挑战性的视觉识别问题之一，在最近的几十年中受到了极大的关注。目标检测旨在在给定图像中找到具有精确定位的特定目标类的对象，并为每个对象实例分配一个对应的类标签。本文研究了过去二十年产生的四种经典目标检测算法（VJ DET，HOG-DET, YOLO, Faster RCNN），并对比了HOG-DET, YOLO, Faster RCNN三种算法在行人检测上的表现。研究发现。。。

yolov2-tiny 权重，可直接使用， ./darknet cfg/yolov2-tiny.cfg yolov2-tiny.weights data/dog.jpg

在yolo项目中需要将xml标注的文件批量转换成txt格式的文件，利用python实现批量转换，只需要修改xml文件路径，转换后txt保存在xml文件下，并可自动删除原xml文件，代码批注详细，不需要的功能亦可自行注释掉。

PaddleDetection训练单/多镜头行人追踪模型 项目效果： 项目AI Studio： : 视频地址： : !z ip code . zip - r work / PaddleDetection - release - 2.0 - rc / 简介 PaddleDetection飞轮目标检测开发套件，有助于开发者更快更好地完成检测模型的组建，训练，优化及部署等全开发流程。 PaddleDetection快速地实现了多种主流目标检测算法，提供了丰富的数据增强策略，网络模块组件（如骨干网络），损失函数等，并集成了模型压缩和跨平台高效部署能力。 经过连续产业实践打磨，桨检测已拥有顺畅，卓越的使用体验，被工业质检，转化图像检测，无人巡检，新零售，互联网，科研等十多个行业的开发者广泛应用。 解压数据集： 该项目数据集使用COCO数据集中的行人部分。 !u nzip - oq da

修剪YOLO 使用模型修剪方法获得紧凑模型，即基于YOLOv5的Pruned-YOLOv5。 注意： 1.该项目基于 。 首先将其安装。 然后，使用此处提供的模型配置文件（ coco_yolov5l.yaml ）和网络模块定义文件（ common.py ）替换原始的对应文件。 2.参考 ，我们还使用次梯度方法进行稀疏度训练（ sparsity.py ）。 此外，稀疏训练和微调相结合以简化修剪流程。 在训练过程中，我们介绍了软掩膜策略和稀疏因子余弦衰变。 3.使用train_sr.py进行稀疏火车，可以直接进行修剪，而无需进行微调。 4.请把prune_channel_v5_weightingByKernel.py和prune_layer_v5_weightingByKernel.py放在主目录（ / yolov5 / ）中。 前者用于通道修剪，后者用于层修剪。 模型修剪可以由他们

包括： 1. 训练和测试代码 2. 训练和测试数据集 3. 测试视频和测试结果视频

yolo_weights.h5

包括论文资料以及Github上ultralytics的工作，基于pytorch的yolov3复现，该代码包括检测与训练两个部分。如果资源过期或其他相关问题请在CSDN留言。