python xml_to_data.py # 如果自己数据集 请根据自己数据进行更改代码
# 生成的kitti_simple_label.txt 格式为:图片path box,类别id box,类别id...
python就业班学习视频，从入门到实战项目
2019最新《PyTorch自然语言处理》英、中文版PDF+源码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
《深度学习之pytorch》pdf+附书源码
PyTorch深度学习快速实战入门《pytorch-handbook》
【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》
《Python数据分析与挖掘实战》PDF+完整源码
汽车行业完整知识图谱项目实战视频(全23课)
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
笔记、代码清晰易懂！李航《统计学习方法》最新资源全套！
《神经网络与深度学习》最新2018版中英PDF+源码
将机器学习模型部署为REST API
FashionAI服装属性标签图像识别Top1-5方案分享
重要开源！CNN-RNN-CTC 实现手写汉字识别
yolo3 检测出图像中的不规则汉字
同样是机器学习算法工程师，你的面试为什么过不了？
前海征信大数据算法：风险概率预测
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
VGG16迁移学习，实现医学图像识别分类工程项目
特征工程(一)
特征工程(二) :文本数据的展开、过滤和分块
特征工程(三):特征缩放,从词袋到 TF-IDF
特征工程(四): 类别特征
特征工程(五): PCA 降维
特征工程(六): 非线性特征提取和模型堆叠
特征工程(七)：图像特征提取和深度学习
如何利用全新的决策树集成级联结构gcForest做特征工程并打分？
Machine Learning Yearning 中文翻译稿
蚂蚁金服2018秋招-算法工程师（共四面）通过
全球AI挑战-场景分类的比赛源码(多模型融合)
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
python+flask搭建CNN在线识别手写中文网站
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
向AI转型的程序员都关注了这个号????????????机器学习AI算法工程 公众号：datayx本项目里有40类旗帜旗帜（包含40个种类旗帜），数据来着于网络，数据标注是个苦力活，本...
keras-yolov3目标检测详解——适合新手
一、准备工作
前阵子用 matlab 做图像识别项目时发现了 yolov3 算法，觉得很有意思，但是无奈当时还没有基于matlab 的版本（听说现在有了），所以就用 python 运行，我的电脑里有 python_3.7、anaconda_3.6、pycharm。
2、需要的文件：
1、yolov3源代码：github_keras-yolo3
2、权重文件：官网_yolov3.weights （点击直接下载）或者 我的百度网盘文件 链接：
https://p
Flag-Detection 国旗检测
该项目基于PyTorch框架，在一定程度上使用了开源的yolo v3部分代码。(本人并未对原有的yolo v3部分的代码做过多的修饰与更改，原作者的注释得到了充分的保留。)
本项目提供了数据集和本人在Titan XP上训练完成的检测模型。
(当我回忆起我采用了哪位dalao的代码以后，我会在此注明引用来源，并表示感谢)
1.1 支持的国旗类别
本项目提供了数据集，并提供了基于本数据集训练完成的模型。
该项目可以完成对64种国旗的分类，涵盖了世界上主要国家，同
-搜索带有Nominatim服务的OpenStreetMap
以1：10m，1：50m和1：110m比例尺绘制的免费矢量和栅格地图数据； 包括一阶管理员（例如省，部门，州等）和人口稠密的地方（例如首都，城市，城镇）等等资料下载
geonames.org-开放式地理（地理）数据库覆盖所有
Keras是一个高级的深度学习框架，可以用于快速地建立、训练和部署深度神经网络。而YOLO是一种先进的目标检测算法，可以实现在实时性要求高、精度要求高的场景下快速、准确地识别和定位目标。因此，使用Keras来搭建YOLO算法，可以将两种技术结合起来，实现快速、高效的目标检测。
首先需要了解YOLO算法的原理和结构，包括网络结构、损失函数、标注数据格式等。然后在Keras中建立相应的模型，根据YOLO算法的特点进行优化，包括加入BatchNormalization、使用LeakyReLU激活函数等。接着需要对模型进行训练，在训练前需要准备好数据集，并且采用合适的数据增强方法来扩充数据集，提高模型的泛化能力。
在训练过程中，需要注意模型的收敛情况和训练参数的设置，以达到较好的训练效果。最后进行模型的评估和测试，包括计算准确率、召回率、mAP等指标，以及在实际场景下的效果测试。
总之，使用Keras搭建YOLO算法需要深入了解两种技术的原理和应用，并进行良好的数据准备、模型优化、训练过程的参数调整以及测试效果的评估，才能够得到有效的目标检测结果。
