yolov4.cfg_yolov4.weights.7z
yolov4.cfg yolov4.weights yolov4-tiny.cfg yolov4-tiny.weights coco.names
YOLOv2
当前话题为您枚举了最新的YOLOv2。在这里，您可以轻松访问广泛的教程、示例代码和实用工具，帮助您有效地学习和应用这些核心编程技术。
YOLOv5 模型训练与 ONNX 格式转换 (Part 2/3)
本部分内容着重介绍 YOLOv5 模型训练过程中的关键步骤和技巧，并详细说明如何将训练好的模型转换为 ONNX 格式，以便于在不同平台和设备上进行部署。
yolov5程序，算法提供
提供yolov5程序和算法
yolov5反光衣模型
已训练好的yolov5反光衣模型，下载可立即使用。训练数据集是30W张，已投入使用2年
yolov3-sort-pytorch代码
本代码使用yolov3或darknet网络进行训练和测试，运行前须了解数据集构造方式。
使用onnxruntime部署yolov5.zip
Python版onnxruntime部署Yolov5 CPP版onnxruntime部署Yolov5 Python版用ONNXRuntime部署Yolov5用Python部署yolov5模型几乎就是参照了源码的流程，。所以用python进行部署就会显得非常容易了，它主要如下的几个步骤：图片前处理阶段
C#版EMGU CV 4.6.0 GPU推理YOLOv7-Tiny和YOLOv7
使用C#版EMGU CV 4.6.0在RTX 2060显卡上进行GPU推理，YOLOv7-Tiny耗时6ms，YOLOv7耗时26ms。
DeepSort_YOLOv5：目标跟踪实战
利用YOLOv5强大检测能力，实现精准高效的目标跟踪。
YOLOv5 道路破损检测工具
包含已训练权重文件，搭建好环境后可直接检测。支持自定义数据集标注、训练和检测，提供 12G 道路数据集供下载。
YOLOv8模型训练与部署优化
使用YOLOv8模型时，进行模型训练和部署是关键步骤。首先，我们可以将训练好的.pth模型转换为ONNX格式，以便在不同平台和框架上使用。通过命令行或Python脚本，指定模型路径、输出格式以及是否进行简化，可以轻松完成转换过程。
此外，为了进一步提升模型性能，我们可以添加NMS插件并优化后处理步骤