文件名称：yolov3：PyTorch中的YOLOv3> ONNX> CoreML> TFLite
文件大小：1011KB
文件格式：ZIP
更新时间：2024-02-24 08:19:59
ios machine-learning deep-learning ml pytorch
通知： 存储库现在分为两个分支： ：与所有模型和方法向前兼容（推荐）。 $ git clone https://github.com/ultralytics/yolov3 # master branch (default) ：向后兼容原始 * .cfg模型（ :warning_selector: 不再维护）。 $ git clone -b archive https://github.com/ultralytics/yolov3 # archive branch ** GPU速度使用批处理大小为32的V100 GPU测量超过5000张COCO val2017图像的平均每张图像的端到端时间，包括图像预处理，PyTorch FP16推理，后处理和NMS。 来自EfficientDet数据（批量大小为8）。 预训练的检查站 模型 AP VAL AP测试 AP 50 加速GPU FPS GPU 参数 跳板 43.3 43.3 63.0 4.8毫秒 208 6190万 156.4B 44.3 44.3 64.6 4.9毫秒 204 6300万 157.
【文件预览】：
yolov3-master
----models()
--------common.py(12KB)
--------yolo.py(12KB)
--------yolov3-tiny.yaml(1KB)
--------yolov3-spp.yaml(1KB)
--------yolov3.yaml(1KB)
--------__init__.py(0B)
--------export.py(4KB)
--------experimental.py(5KB)
----tutorial.ipynb(382KB)
----data()
--------coco.yaml(2KB)
--------hyp.scratch.yaml(2KB)
--------images()
--------hyp.finetune.yaml(846B)
--------voc.yaml(735B)
--------coco128.yaml(1KB)
--------scripts()
----test.py(16KB)
----.github()
--------dependabot.yml(201B)
--------ISSUE_TEMPLATE()
--------workflows()
----train.py(31KB)
----Dockerfile(2KB)
----LICENSE(34KB)
----detect.py(8KB)
----requirements.txt(602B)
----.gitignore(4KB)
----.dockerignore(4KB)
----weights()
--------download_weights.sh(290B)
----README.md(9KB)
----utils()
--------loss.py(8KB)
--------plots.py(17KB)
--------metrics.py(8KB)
--------general.py(21KB)
--------datasets.py(41KB)
--------activations.py(2KB)
--------autoanchor.py(7KB)
--------torch_utils.py(12KB)
--------__init__.py(0B)
--------google_app_engine()
--------google_utils.py(5KB)
----hubconf.py(4KB)
----.gitattributes(72B)