Advertisement

从2019年起，u神更新了PyTorch版本的YOLOv3，并训练出YOLOv3.pt模型。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该资源针对u神最新发布的pytorch-yolov3版本进行了优化，并对部分网络模型的命名进行了调整。若您使用的是旧版本的pt文件，可能会导致模型加载失败的情况发生。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 自2019年起，u神发布了基于PyTorch的Yolov3版本，并生成了yolov3.pt文件
    优质
    自2019年以来，u神致力于深度学习领域，开发并发布了一个基于PyTorch框架的YOLOv3版本。该版本以yolov3.pt为成果代表，推动了目标检测技术的发展与应用。 在使用适用于u神新版本的pytorch-yolov3时，如果更新了网络模型的名字并且尝试用旧版的pt文件加载模型，则会出现无法加载的问题。
     
  • MobilenetV3-YoloV3 训练模型
    优质
    本项目介绍了一种基于MobileNetV3骨干网络和YoloV3架构改进的目标检测模型。通过优化模型结构与参数配置，实现了高效且精准的目标识别性能，在保持较低计算资源消耗的同时提升了目标检测精度。 在GitHub上的预训练模型来自项目https://github.com/tanluren/mobilenetv3-yolov3，适用于20类别的分类任务，需要确保类别相同才能使用。
     
  • YOLOv3-Torch2TRT：将YOLOv3及YOLOv3-tiny(PyTorch版)转为TensorRT模型
    优质
    简介：本文介绍如何使用YOLOv3-Torch2TRT工具，便捷地将基于PyTorch的YOLOv3及其简化版（tiny）模型转换成高性能的TensorRT格式，以实现更快的推理速度。 YOLOv3-Torch2TRT介绍通过torch2trt Python API将YOLOv3和YOLOv3-tiny（PyTorch版本）转换为TensorRT模型。首先，安装克隆仓库： ``` git clone https://github.com/DocF/YOLOv3-Torch2TRT.git ``` 下载预先训练的权重： ```bash cd weights/ bash download_weights.sh ``` 需要两个特殊的Python包：张量火炬2trt。由于YOLO中的升采样操作，根据torch2trt API介绍，您需安装特定版本并使用插件。 检查torch2trt API: ```python python3 check.py ``` 推理加速技术： - FP16 TensorRT 以下是TITAN xp的一些结果： 型号名称 输入尺寸 FPS（FP16 整个模式） 重写后的文本去除了所有链接和联系方式，保留了原始内容的完整性。
     
  • YoloV3、YoloV3-Tiny、YoloV4及YoloV-Tiny预训练模型下载
    优质
    本资源提供YOLOv3和YOLOv3-Tiny、YOLOv4及其Tiny版本的预训练模型免费下载，适用于快速部署目标检测任务。 yolov3-tiny预训练模型、yolov3预训练模型、yolov4 预训练模型以及 yolov4-tiny预训练模型全部打包在一个压缩文件中。
     
  • C++调用Yolov3训练模型.zip
    优质
    该资源包包含使用C++调用Yolov3深度学习模型进行目标检测的代码和预训练模型文件，适用于需要在C++环境中部署YOLOv3的开发者。 调用C++接口使用训练好的Yolov3模型很简单：只需将权重文件与C++代码放在同一个文件夹内，并根据实际情况设置路径即可。
     
  • MobilenetV3-Yolov3 预训练模型（4类）
    优质
    本预训练模型结合了轻量级网络MobileNetV3与高性能目标检测算法YoloV3，专为四分类任务优化设计，在保持高效计算的同时提供卓越的检测精度。 该GitHub项目提供了MobileNetV3-YOLOv3的训练模型版本，其中包括large版和4类分类配置。
     
  • 预训练模型 YOLOV3 darknet53.conv.74.zip
    优质
    YOLOV3 darknet53.conv.74.zip包含经过大量数据训练的Darknet-53神经网络权重文件，适用于目标检测任务。此预训练模型加速物体识别应用开发。 该文档介绍了YOLOV3目标检测算法在训练数据集时所使用的预训练模型。关于YOLOV3的具体训练方法可以参考本人发表的博客文章。
     
  • PyTorch-Spiking-YOLOv3: 基于PyTorch的Spiking-YOLOv3实现。根据YOLOv3的两个常见PyTorch版本...
    优质
    PyTorch-Spiking-YOLOv3是一个基于PyTorch框架实现的项目，它将脉冲神经网络原理应用于经典的物体检测模型YOLOv3中，提供了一个新颖的研究方向。该项目兼容两种流行的PyTorch YOLOv3版本，便于研究和应用开发。 PyTorch-Spiking-YOLOv3 是基于 YOLOv3 的 PyTorch 实现的版本，目前支持 Spiking-YOLOv3-Tiny。整个 Spiking-YOLOv3 将会得到全面的支持。为了实现尖峰效果，在 YOLOv3-Tiny 中对某些运算符进行了等效转换，具体如下：maxpool（stride = 2） 转换为 convolutional（stride = 2）， maxpool（stride = 1） 转换为 none, upsample 被替换为 transposed_convolutional，leaky_relu 变更为 relu ，批处理标准化被融合到 fuse_conv_and_bn 中。关于如何进行训练、评估和推理，请参考相关文档或代码说明。
     
  • yolov3-spp-ultralytics-pt
    优质
    YOLOv3-SPP-Ultralytics-PT是一款基于PyTorch框架优化改进的实时目标检测模型，采用SPP模块增强特征提取能力，适用于多种图像识别任务。 yolov3-spp训练后的权重文件yolov3-spp-ultralytics.pt可以作为预训练权重使用，也可以用于检测任务。