源代码杀手的博客

在检测 KITTI数据集 采用三种 重新培训 对象探测器： YOLOv2 , YOLOv3 , 快R-CNN 和比较他们的表现进行评估通过上传的结果KITTI评估服务器。注意，有一个以前的员额有关的详细信息YOLOv2 ( click here ). YOLOv3执行情况几乎相同的与YOLOv3，所以，我会跳过一些步骤。 请参考前一章中看到更多细节。准备KITTI数据集我们用 KITTI目2D 培训YOLO和使用 KITTI原始数据 用于测试。 一些测试结果记录的演示视频上面。下载

YOLOv4较旧版本YOLOv4的改进，并且我们已经知道现在它比以前更好。也许使用YOLOv3的每个人都将迁移到YOLOv4，因为它是我们可以用于实时应用程序的最快的对象检测模型之一。但是在本教程中，我想向您展示，如何使用TensorRT将对象检测的速度提高三倍！在本教程中，我将不介绍如何安装TensorRT。TensorFlow是当今最受欢迎的深度学习框架之一，在全球拥有成千上万的用户。TensorRT是一个深度学习平台，可通过简单的方式优化神经网络模型并加快GPU推理的性能。TensorFlow团队与

原文作者：Techzizou编辑笔者：AI科技与算法编程YOLO是最先进的实时物体检测系统。它是由约瑟夫·雷德蒙（Joseph Redmon）开发的。它是一种实时对象识别系统，可以在单个帧中识别多个对象。随着时间的流逝，YOLO已演变为较新的版本，即YOLOv2，YOLOv3和YOLOv4。YOLO使用的方法与以前的其他检测系统完全不同。它将单个神经网络应用于完整图像。该网络将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框由预测的概率加权。下图展示了YOLO的基本思想。YOLO将输入图

引用的文献：https://blog.csdn.net/weixin_30892763/article/details/94909278https://www.cnblogs.com/pprp/p/10863496.htmlhttps://blog.csdn.net/weixin_37889356/article/detailshttps://blog.csdn.net/qq_34795071/article/details/90769094https://blog.csdn.net/cengji

问题描述：get_coco_dataset..sh: line x: $'\r': command not found报错原因是该get_coco_dataset…sh是在Windows下编译的，如果在Linux系统下需要移除文件中的\r即可。解决方法：sed -i 's/\r$//' filename再次输入命令：bash get_coco_dataset.sh...

yolo v3——darknet模型C源码：https://github.com/arnoldfychen/darknet本次测试只记录测试过程中的报错问题：单独用GPU编译darknet源码时出现如下错误：Makefile:92: recipe for target ‘obj/convolutional_kernels.o’ failed解决方法： 修改MakefileNVCC = /usr/local/cuda-9.0/bin/nvcc重新编译，错误解决make解决pjredd