YOLOv4-pytorch 版源代码

复杂的YOLOv4 本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 示范（在GTX 1080Ti上） 2.入门 2.1。要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyne点云（29 GB） ：将数据输入到Complex-YOLO模型 对象数据集的训练标签（5 MB） ：Complex-YOLO模型的输入标签 对象数据集的摄像机校准矩阵（16 MB） ：用于可视化预测 对象数据集的左侧彩色图像（12 GB） ：用于可视化预测 请确保您按照以下方式

YOLO3D-YOLOv4-PyTorch 本文基于YOLOv4的PyTorch实现： 演示版 输入：鸟瞰图（BEV）地图，由3D LiDAR点云的高度，强度和密度编码。 输入尺寸： 608 x 608 x 3 输出：7度的对象的自由（7- DOF）的： (cx, cy, cz, l, w, h, θ) cx, cy, cz ：中心坐标。 l, w, h ：边界框的长度，宽度，高度。 θ ：包围盒的航向角，以弧度为单位。 对象：汽车，行人，骑自行车的人。 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 2.入门 2.1。 要求 pip install -U -r requirements.txt 有关和库的信息，请参阅其官方网站上的安装说明。 2.2。 资料准备 从下载3D KITTI检测数据集。 下载的数据包括： Velodyn

另一个-YOLOv4-Pytorch 这是在pytorch上实现YOLOv4对象检测神经网络的实现。 我将尝试实现原始纸张的所有功能。 模型 预先训练的体重 自订课程 联合会 YOLO数据集 验证信箱 HSV转变为火车 MOSAIC的火车 Dropblock层进行训练。 每个PAN层一个，但是您可以轻松地将其添加到每个层。 （感谢Evgenii Zheltonozhskii实现pytorch） LARS优化器 火炬闪电 用fgsm进行自我对抗训练 YOLOv4官方论文中的SAM注意事项 从ECA注块从fastglobalavgpool 来自重量标准化（不建议与预训练一起使用，可能会导致输入爆炸，与track_running_stats一起使用，否则爆炸） 带指南的笔记本 来自IoU意识 深度实施中的NMS（未连接） 来自矩阵NMS算法（未连接）

搜集的开源代码，自留学习用

yolov4-pytorch-master.zip

给MaskDetect-YOLOv4-PyTorch-master加了一个通过Camera检测口罩，整体来说还可以，这么小的数据集得到这个准确率。

资源包含全部YOLOV4模型，模型训练的步骤的相关说明都在资源当中。 框架采用的pytorch,信号灯数据集采用的是我自己标注的信号灯数据集，相关数据集的资源可以在我发布的其他资源里找到，数据集的数量庞大，质量优秀，完全可以胜任模型的训练任务。模型文件经过本人亲自调整和测试，确实有效。训练过程中遇到的问题和解决方法都写在了资源里的说明中，最终训练完成的权重文件也一并打包上传，有任何问题可以留言。