# YOLOv4 在人数识别中的应用
## 引言
随着人工智能技术的迅速发展，物体检测领域也取得了显著进展。YOLO（You Only Look Once）系列模型在实时物体检测的任务中表现尤为突出。YOLOv4作为该系列的最新版本，在多个基准测试中设置了新的性能标准。本篇文章将介绍如何使用YOLOv4在 Python 中实现人数识别，并展示一些实际应用。
## YOLOv4 概述
YOL
何为 YOLO（You Only Look Once) YOLO [点击] 充满青春暗示的另一面，更是一个强大物体检测算法的简称，其算法结合了速度与准确度，近期更推出了第三版的 model 供大家参考，大幅度提升了前一版的性能。作者为一位资深 computer scientist: Joseph Chet Redmon 精通数据科学，编程等工作，与另外四名伙伴一同开发
转载
2023-10-27 23:29:11
76阅读
1、余弦退火https://arxiv.org/pdf/1812.01187.pdf Learning rate adjustment is crucial to the training. After the learning rate warmup described in Section 3. ...
转载
2021-10-22 11:19:00
270阅读
2评论
1.图片识别2.支持视频识别3.视频演示4.准备YOLOv7格式数据集如果不懂yolo格式数据集是什么样子的，建议先学习一下。大部分CVer都会推荐用labelImg进行数据的标注，我也不例外，推荐大家用labelImg进行数据标注。不过这里我不再详细介绍如何使用labelImg，网上有很多的教程。同时，标注数据需要用到图形交互界面，远程服务器就不太方便了，因此建议在本地电脑上标注好后再上传到服务
Tensorflow2.0—YOLO V4-tiny网络原理及代码解析（二）- 数据的生成在Tensorflow2.0—YOLO V4-tiny网络原理及代码解析（一）- 特征提取网络中已经把YOLO V4的特征提取网络给讲完了，这篇blog来讲讲数据的生成（其实，v4与v3的数据生成的方式几乎相同）。 首先，来看下真实框编码的主函数位置在哪？ 它是在train.py中，这就是它的主函数：data
转载
2024-08-15 15:49:28
59阅读
这是基于opencv写的数字识别程序 对于记事本里的宋体常规数字能够完美的识别思路: 放大图片→灰度化→二值化→开运算→寻找外轮廓→轮廓排序→遍历像素与模板匹配→得到数字最后为了验证识别率，读入txt文件与识别图片后的输出结果对比总结：1.图片放大可以把各个数字分开一点，防止数字黏在一起导致找轮廓时出错2.开运算，进一步把各个数字分开 开运算(膨胀->腐蚀)//去除
转载
2024-03-18 08:35:43
663阅读
目录一、下载YOLO3项目二、修改makefile配置三、准备数据集四、下载预训练权重（未实验）五、修改3个配置文件1、cfg/voc.data2、data/voc.name3、cfg/yolov3-voc.cfg六、训练七、关于训练时打印的日志详解八、测试一、下载YOLO3项目git clone https://github.com/pjreddie/darknet
cd darknet在 da
# 如何使用 PyTorch 实现 YOLOv4 目标检测
## 一、整件事情的流程
在使用 PyTorch 实现 YOLOv4 目标检测时，我们需要遵循以下步骤：
| 步骤 | 描述 |
|------|------|
| 1 | 环境准备：安装必要的库和设置环境 |
| 2 | 下载 YOLOv4 权重和配置文件 |
| 3 | 加载模型：使用 PyTorch 加载 Y
这是yolov4的（pytorch）目录结构这个是基于keras yolo3的目前测试来看pytorch的快keras速度慢
原创
2021-04-22 20:26:24
691阅读
这是yolov4的（pytorch）目录结构这个是基于keras
原创
2022-04-06 10:35:48
178阅读
yolov4的网络模型主要分为4个部分1. 主干特征提取网络，CSPDarkent53相比 yolov3的Darknet53， yolov4的CSPDarknet53网络有如下特点1.1 Msih激活函数Mish = x * K.tanh(K.softplus(x)) 其中：softplus = ln(1 + e^x)Mish激活函数在输入是负值的时候并不是完全截断，允许负梯度的流入，保证了信息
转载
2023-10-11 07:20:50
178阅读
YOLO4代码复现pytorch：全面解析与实战指南
YOLO（You Only Look Once）是一种实时目标检测算法，其最新版YOLOv4在准确性和速度上都有显著改善。本文将详细记录如何在PyTorch框架下复现YOLOv4代码，涵盖版本对比、迁移指南、兼容性处理、实战案例、排错指南和生态扩展等内容。
### 版本对比
YOLO系列算法经历了多次迭代，每个版本都带来了独特的特性。以下
Tensorflow+YOLO V4框架使用教程+YOLO V4获取识别框高度+基于相似三角形算法的物体距离测量Tensorflow+YOLO V4框架使用教程+YOLO V4获取识别框高度+基于相似三角形算法的物体距离测量Tensorflow+YOLO V4框架使用教程YOLO V4获取识别框高度基于相似三角形算法的物体距离测量 Tensorflow+YOLO V4框架使用教程+YOLO V4
转载
2024-05-27 16:35:39
54阅读
文章目录1、背景2.1目标检测的构成2.2、Bag of freebies2.3、Bag of specials3、YOLO架构3.1、 网络架构3.2、数据增强3.3 学习率余弦退火4、小结 1、背景目前而言，大部分基于CNN的目标检测系统只适用于一些推荐领域的工作：运行慢精度高的检测系统应用于城市停车位搜素；运行快，精度一般的用于汽车碰撞警告，提高检测系统实时速度与精度，不仅可以让检测系统应
转载
2024-03-21 17:13:56
160阅读
# 训练自己的数据集使用 PyTorch YOLOv4
深度学习中目标检测是一个十分重要的任务，而 YOLO（You Only Look Once）模型是其中一种非常流行的算法。YOLOv4 是 YOLO 系列中的最新版本，结合了速度和精度，适合用于训练自己的数据集。
在本文中，我们将介绍如何使用 PyTorch YOLOv4 训练自己的数据集。我们将以一个图像分类问题为例，展示如何准备数据集
原创
2024-04-03 06:32:28
390阅读
特点是一个高效而强大的目标检测网咯。它使我们每个人都可以使用 GTX 1080Ti 或 2080Ti 的GPU来训练一个超快速和精确的目标检测器。这对于买不起高性能显卡的我们来说，简直是个福音！在论文中，验证了大量先进的技巧对目标检测性能的影响，真的是非常良心!对当前先进的目标检测方法进行了改进，使之更有效，并且更适合在单GPU上训练；这些改进包括CBN、PAN、SAM等。网络结构最简
转载
2024-05-08 19:31:12
199阅读
各位同学好，今天和大家分享一下如何使用 TensorFlow 构建YOLOV4目标检测算法的特征提取网络。完整代码在我的Gitee中，有需要的自取：https://gitee.com/dgvv4/yolo-target-detection/tree/master1. CSPDarkNet53CSPDarkNet53 骨干特征提取网络在 YOLOV3 的 DarkNet53网络 的基础上引入了 CS
转载
2024-07-31 10:52:43
76阅读
论文题目：YOLOv4： Optimal Speed and Accuracy of Object Detection文献地址：https://arxiv.org/pdf/2004.10934.pdf源码地址：https://github.com/AlexeyAB/darknet YOLOv4中谈及了一些B-Box回归损失的方法，诸如MSE(L2 loss)，Smooth L1 loss，IoU
转载
2024-05-27 17:08:37
50阅读
import torch
import torch.nn as nn
import math
import numpy as np
class YOLOLoss(nn.Module):
def __init__(self, anchors, num_classes, input_shape, cuda, anchors_mask = [[6,7,8], [3,4,5], [0,1,2]]
转载
2023-11-24 21:33:21
99阅读
