YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。本课程将手把手地教大家使用labelImg标注和使用YOLOv3训练自己的数据集。课程分为三个小项目：足球目标检测（单目标检测）、梅西目标检测（单目标检测）、足球和梅西同时目标检测（两目标检测）。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。包括：安装Darknet、给自己的数据集打标签、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。Darknet是使用C语言实现的轻型开源深度学习框架，依赖少，可移植性好，值得深入探究。 购课后可加入白勇老师课程学习交流QQ群：957519975除本课程《YOLOv3目标检测实战：训练自己的数据集》外，本人推出了有关YOLOv3目标检测的系列课程，请持续关注该系列的其它课程视频，包括：《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》《YOLOv3目标检测：网络模型改进方法》 敬请关注并选择学习！

自己备忘用，程序可运行

制作自己的训练集 下图是我们数据的存放格式，在data目录下有验证集与测试集分别对应iris_test， iris_train 为了向伟大的MNIST致敬，我们采用的数据名称格式和MNIST类似 classification_index.jpg 图像的index都是5的整数倍是因为我们选择测试集的原则是每5个样本，选择一个样本作为测试集，其余的作为训练集和验证集 生成这样数据的过程相对简单，如果有需要python代码的，可以给我发邮件，或者在我的github下载 至此，我们的训练集，测试集，验证集就生成成功了，之所以我们的文件夹只有训练集和测试集是因为我们在后续的训练过程中，会在训练集

面罩检测 该模型是轻量级的面罩检测模型。 基于ssd的骨干网是Mobilenet和RFB。 主要特点 Tensorflow 2.1 训练与推论 使用mAP的精度 使用tf.GradientTape急切模式训练 使用tf.keras网络功能 使用tf.data.TFRecordDataset数据集 ├── assets │ ├── 1_Handshaking_Handshaking_1_71.jpg │ ├── out_1_Handshaking_Handshaking_1_71.jpg │ ├── out_test_00002330.jpg │ └── test_00002330.jpg ├── checkpoints │ └── weights_epoch_100.h5 ├── components │ ├── config.py │ ├── __

U-net实例分割，训练自己的数据集，模型简洁，易于学习。

tensorflow版本 Faster RCNN训练自己的数据集-附件资源

该资源主要包括： 1.基于yolov7的训练好的二维码检测模型 2.二维码的yolo格式数据集 3.yolov7训练自己的数据集的教程 4.yolov7环境配置教程 5.yolov7训练测试教程 6.上千张已标注好的二维码数据集

参考博客链接：https://blog.csdn.net/m0_46384757/article/details/116424523

YOLOV4 训练自己的数据集，在yolov4源码的基础上修改后的代码

PCB板缺陷检测系统源代码，基于yolov5自己的数据集+基于python的检测和C++的部署检测。相关工作 （1）解压数据集，放在yolov5-6.0根目录下 （2）删除ImageSets文件夹下的内容，在/ImageSets文件夹下新建Main文件夹 （3）数据集分类，运行test.py（注意路径正确）。会在/ImageSets/Main文件夹下生成四个txt文件，trainval.txt、test.txt、train.txt、val.txt。 （4）在data文件夹下新建labels文件夹，然后在yolov5-6.0文件夹下新建my_labels.py文件，并运行（注意路径，注意数据集类别）。会在data文件夹下生成三个txt文件，train.txt、val.txt、test.txt。 （5）在models文件夹下新建文件my_pcb.yaml（注意修改类别数量nc） （6）在data文件夹下新建my_data.yaml（注意train和val路径、nc和数据类别名称names） （7）准备预训练文件yolov5s.pt，放在weights文件夹下。 （8）开始训练