yolov4 tiny.cfg

基于PyTorch、ONNX和TensorRT技术，实现了最小化的YOLOv4源码与权重文件。以下是文件目录结构：- README.md- dataset.py（数据集）- demo.py（运行pyt

在TensorFlow 2中，YOLOV4-Tiny目标检测模型展现出卓越的性能和高效的实现。该模型的多GPU训练支持得到了全面强化，不仅新增了对各类目标数量的准确计算，还引入了独特的热图（heatm

yolov3(pytorch)训练自己的数据集可参看本人blog。要使用的预训练权重：首先下载训练好的网络参数yolov3-tiny.weights，到weights目录下，但仍然需要fine-tun

在刘健.caj文档中，我们进行了基于YOLOv4的学生行为识别研究。通过该研究，我们可以准确地识别学生在课堂中的行为，包括坐立、举手、写字等。我们使用了YOLOv4算法，该算法具有高效和准确的特点，能

介绍 该项目的灵感来自: 我将YOLO v3换成了YOLO v4,并添加了用于异步处理的选项,这大大提高了FPS。 但是,使用异步处理时FPS监视将被禁用,因为它不准确。 另外,我从提取了算法,并将其

yolov3模型文件(.names+.weights+.cfg)

tiny_yolov3权重keras_h5，经过试验证实可用，修改model相关路径即可

yolov3-tiny 相关的配置文件包括训练好的权重，可以直接拿来用

TensorRT-YOLOv4 演示 表现 模型 input_size 显卡 模式 推理时间 608x608 gtx 1080Ti float32 23.3毫秒 416x416 gtx 1080Ti

改进YOLOv4模型的高速率检测方法在新疆煤矸中的应用，能够提高检测效率和精确度。改进的方法和技术，在新疆煤矸领域进行了实际应用。研究结果表明，通过优化算法和模型参数，可以更好地适应新疆煤矸的特殊环境