日韩性视频-久久久蜜桃-www中文字幕-在线中文字幕av-亚洲欧美一区二区三区四区-撸久久-香蕉视频一区-久久无码精品丰满人妻-国产高潮av-激情福利社-日韩av网址大全-国产精品久久999-日本五十路在线-性欧美在线-久久99精品波多结衣一区-男女午夜免费视频-黑人极品ⅴideos精品欧美棵-人人妻人人澡人人爽精品欧美一区-日韩一区在线看-欧美a级在线免费观看

歡迎訪問 生活随笔！

生活随笔

當前位置： 首頁 > 运维知识 > windows >内容正文

windows

基于UA-DETRAC车辆数据集在windows10系统下yolov3模型训练

發布時間：2023/12/14 windows 25 豆豆
生活随笔 收集整理的這篇文章主要介紹了 基于UA-DETRAC车辆数据集在windows10系统下yolov3模型训练 小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

數據集：DETRAC

UA-DETRAC數據集來自于北京和天津不同的24個區域道路的監控中的截圖，且為車輛的俯拍角度，適用于城市的道路監控。

鏈接：https://pan.baidu.com/s/1HFasaCgogWZrNqPHEltIqg
提取碼：6k0i

參考項目：

https://github.com/AlexeyAB/darknet

https://github.com/qqwweee/keras-yolo3 (使用該項目訓練yolov3模型GPU)

https://blog.csdn.net/w5688414/article/details/78931910（制作VOC格式數據集）

環境：

win10，CUDA10.1，CUDNN7.6.0，vs2017,

python3.5. 4,tensorflow-gpu1.14.0,keras==2.1.5

需要注意的是最好在安裝keras之前安裝tensorflow-gpu.

GTX965（本地gpu）/2*2080（公司GPU服務器）

step1.windows10下CUDA和CUDNN的安裝

更新顯卡驅動（https://www.nvidia.com/Download/index.aspx?lang=en-us），一般來說，顯卡驅動支持的cuda版本是向下兼容的，也就是說，安裝低版本的cuda工具包都是可以使用GPU的。下面貼出

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-fai6Z5ZQ-1615951567306)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128100255227.png)]

在使用N卡的gpu進行模型訓練的之前，必須安裝cuda和cudnn。

首先可以進入終端輸入nvcc -V或者nvcc --version查看是否安裝cuda和cudnn

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-1hGqlhZY-1615951567310)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210127113810974.png)]

如果出現上圖，則表明已經安裝好cuda，版本為10.1。

如果安裝可以看到對應的cuda版本，查看cudnn版本可通過打開C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include 目錄下的cudnn.h文件查看，這里要注意的是cuda和cudnn對應的版本。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-9fwlguVR-1615951567312)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210127114157765.png)]

上圖表明本地的cudnn版本為7.6.0。

主要要注意各個系統中tensorflow-gpu版本和python版本，cuda版本以及cudnn版本的對應，由下圖tensorflow官網給出（其實不是說和下面不一致的就運行不了，注意到我的cuda版本和tensorflow-gpu版本也不是對應的，后面解釋了tensorflow-gpu版本和cuda版本不一致的問題）

當然，如果你已經安裝了python，tensorflow-gpu，cuda和cudnn，最好可以首先查看tensorflow能否使用gpu，如果可以大概率在你訓練模型的時候也是可以的。

window

CPU

版本Python 版本編譯器構建工具
tensorflow-2.3.03.5-3.8MSVC 2019Bazel 3.1.0
tensorflow-2.2.03.5-3.8MSVC 2019Bazel 2.0.0
tensorflow-2.1.03.5-3.7MSVC 2019Bazel 0.27.1-0.29.1
tensorflow-2.0.03.5-3.7MSVC 2017Bazel 0.26.1
tensorflow-1.15.03.5-3.7MSVC 2017Bazel 0.26.1
tensorflow-1.14.03.5-3.7MSVC 2017Bazel 0.24.1-0.25.2
tensorflow-1.13.03.5-3.7MSVC 2015 update 3Bazel 0.19.0-0.21.0
tensorflow-1.12.03.5-3.6MSVC 2015 update 3Bazel 0.15.0
tensorflow-1.11.03.5-3.6MSVC 2015 update 3Bazel 0.15.0
tensorflow-1.10.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.9.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.8.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.7.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.6.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.5.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.4.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.3.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.2.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.1.03.5MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.0.03.5MSVC 2015 update 3Cmake v3.6.3

GPU

版本Python 版本編譯器構建工具cuDNNCUDA
tensorflow-2.1.02.7、3.5-3.7GCC 7.3.1Bazel 0.27.17.610.1
tensorflow-2.0.02.7、3.3-3.7GCC 7.3.1Bazel 0.26.17.410.0
tensorflow_gpu-1.14.02.7、3.3-3.7GCC 4.8Bazel 0.24.17.410.0
tensorflow_gpu-1.13.12.7、3.3-3.7GCC 4.8Bazel 0.19.27.410.0
tensorflow_gpu-1.12.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.11.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.10.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.9.02.7、3.3-3.6GCC 4.8Bazel 0.11.079
tensorflow_gpu-1.8.02.7、3.3-3.6GCC 4.8Bazel 0.10.079
tensorflow_gpu-1.7.02.7、3.3-3.6GCC 4.8Bazel 0.9.079
tensorflow_gpu-1.6.02.7、3.3-3.6GCC 4.8Bazel 0.9.079
tensorflow_gpu-1.5.02.7、3.3-3.6GCC 4.8Bazel 0.8.079
tensorflow_gpu-1.4.02.7、3.3-3.6GCC 4.8Bazel 0.5.468
tensorflow_gpu-1.3.02.7、3.3-3.6GCC 4.8Bazel 0.4.568
tensorflow_gpu-1.2.02.7、3.3-3.6GCC 4.8Bazel 0.4.55.18
tensorflow_gpu-1.1.02.7、3.3-3.6GCC 4.8Bazel 0.4.25.18
tensorflow_gpu-1.0.02.7、3.3-3.6GCC 4.8Bazel 0.4.25.18

linux

CPU

版本Python 版本編譯器構建工具
tensorflow-2.1.02.7、3.5-3.7GCC 7.3.1Bazel 0.27.1
tensorflow-2.0.02.7、3.3-3.7GCC 7.3.1Bazel 0.26.1
tensorflow-1.14.02.7、3.3-3.7GCC 4.8Bazel 0.24.1
tensorflow-1.13.12.7、3.3-3.7GCC 4.8Bazel 0.19.2
tensorflow-1.12.02.7、3.3-3.6GCC 4.8Bazel 0.15.0
tensorflow-1.11.02.7、3.3-3.6GCC 4.8Bazel 0.15.0
tensorflow-1.10.02.7、3.3-3.6GCC 4.8Bazel 0.15.0
tensorflow-1.9.02.7、3.3-3.6GCC 4.8Bazel 0.11.0
tensorflow-1.8.02.7、3.3-3.6GCC 4.8Bazel 0.10.0
tensorflow-1.7.02.7、3.3-3.6GCC 4.8Bazel 0.10.0
tensorflow-1.6.02.7、3.3-3.6GCC 4.8Bazel 0.9.0
tensorflow-1.5.02.7、3.3-3.6GCC 4.8Bazel 0.8.0
tensorflow-1.4.02.7、3.3-3.6GCC 4.8Bazel 0.5.4
tensorflow-1.3.02.7、3.3-3.6GCC 4.8Bazel 0.4.5
tensorflow-1.2.02.7、3.3-3.6GCC 4.8Bazel 0.4.5
tensorflow-1.1.02.7、3.3-3.6GCC 4.8Bazel 0.4.2
tensorflow-1.0.02.7、3.3-3.6GCC 4.8Bazel 0.4.2

GPU

版本Python 版本編譯器構建工具cuDNNCUDA
tensorflow-2.1.02.7、3.5-3.7GCC 7.3.1Bazel 0.27.17.610.1
tensorflow-2.0.02.7、3.3-3.7GCC 7.3.1Bazel 0.26.17.410.0
tensorflow_gpu-1.14.02.7、3.3-3.7GCC 4.8Bazel 0.24.17.410.0
tensorflow_gpu-1.13.12.7、3.3-3.7GCC 4.8Bazel 0.19.27.410.0
tensorflow_gpu-1.12.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.11.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.10.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.9.02.7、3.3-3.6GCC 4.8Bazel 0.11.079
tensorflow_gpu-1.8.02.7、3.3-3.6GCC 4.8Bazel 0.10.079
tensorflow_gpu-1.7.02.7、3.3-3.6GCC 4.8Bazel 0.9.079
tensorflow_gpu-1.6.02.7、3.3-3.6GCC 4.8Bazel 0.9.079
tensorflow_gpu-1.5.02.7、3.3-3.6GCC 4.8Bazel 0.8.079
tensorflow_gpu-1.4.02.7、3.3-3.6GCC 4.8Bazel 0.5.468
tensorflow_gpu-1.3.02.7、3.3-3.6GCC 4.8Bazel 0.4.568
tensorflow_gpu-1.2.02.7、3.3-3.6GCC 4.8Bazel 0.4.55.18
tensorflow_gpu-1.1.02.7、3.3-3.6GCC 4.8Bazel 0.4.25.18
tensorflow_gpu-1.0.02.7、3.3-3.6GCC 4.8Bazel 0.4.25.18

安裝項目所需的python工具包

pip install tensorflow-gpu==1.6.0

pip install keras==2.1.5

查看是否有GPU：返回GPU的參數

import tensorflow as tf

print(tf.test.gpu_device_name())

查看GPU是否可用：返回true/false

tf.test.is_gpu_available()

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-r58aadTi-1615951567315)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128091045330.png)]

GPU型號：GTX965，設備編號：0，GPU是否可用：true

我的電腦同時安裝cuda10.0（cudnn7.4），cuda10.1(cudnn7.6)，cuda11.1三個版本

存在的一個問題：

查看正在使用的cuda版本為10.1，但是由上圖可以看出，在終端使用GPU時，卻使用的是cuda10.0。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-JiWIC6Iw-1615951567318)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128092129777.png)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-nmvvWvXZ-1615951567321)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128092729988.png)]

個人給出的一個解釋：

由于tensorflow-gpu安裝的版本是1.14.0，根據tensorflow-gpu的版本找到對應的cuda版本（10.0）。

貼出cuda10.0和cudnn7.4的鏈接：

鏈接：https://pan.baidu.com/s/1Dy7JDy7v6px6XiMcCOYVvQ
提取碼：x3e1

step2.制作VOC格式數據集：

將UA-DETRAC數據集下載并解壓，得到以下文件：

DETRAC-Train-Images (5.22GB, 60 sequences)
DETRAC-Test-Images (3.94GB, 40 sequences)
DETRAC-Train-Annotations-XML

將項目文件git clone下來：git clone https://github.com/qqwweee/keras-yolo3

制作voc數據集格式項目：get clone https://blog.csdn.net/w5688414/article/details/78931910

該數據集中train文件夾下的圖片有幾萬張，為了減少模型訓練時間，我只選取了路徑UA-DETRAC(車輛檢測數據集8250車輛)\DETRAC-train-data\Insight-MVT_Annotation_Train\MVI_20011下的六百多張圖片。所以我只保留了DETRAC-Train-Annotations-XML文件夾下MVI_20011.xml以及Insight-MVT_Annotation_Train\MVI_20011下的照片。

1，在文件夾下創建VOCdevkit文件夾，然后創建VOC2007文件夾
VOC2007文件夾下有五個文件夾
├── Annotations # 存放xml文件，主要是記錄標記框位置信息
├── ImageSets # 存放的都是txt文件，txt文件中每一行包含一個圖片的名稱
　　├── Layout
　　├── Main
　　└── Segmentation
├── JPEGImages # 存放源圖片
├── labels

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-eAjXzOt4-1615951567323)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128112927297.png)]

2，DETRAC數據集為每個文件夾中的圖片提供了一個.xml文件，不需要自己再進行手動標識，但是需要將.xml文件分成對應每個圖片的.xml。

將DETRAC_xmlParser.py文件與xml文件夾放在同一路徑下，運行后會在同一目錄下生成xml_test文件夾，里面存放的是每個圖片對應的.xml文件，將xml_test文件夾下的.xml文件復制到VOCdevkit\VOC2007\Annotations下（注意修改一下.py文件中最后一行可視化視頻幀的地址）

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-AzXcvIsL-1615951567324)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128130610436.png)]

這里不能直接把路徑DETRAC-train-data\Insight-MVT_Annotation_Train\MVI_20011下的所有圖片放入JPEGImages文件中。需要批量重命名文件夾中圖片文件。

3，將voc_data_migrate.py放到與文件夾Insight-MVT_Annotation_Train同一路徑下。同樣，py文件與Insight-MVT_Annotation_Train文件夾在同一目錄下，最終生成picture_test文件夾，里面含有六百多張圖片，其實，圖片還是Insight-MVT_Annotation_Train\MVI_20011文件夾下的圖片，只是圖片的名字改了下，然后該picture_test文件夾下的所有照片復制到JPEGImages文件夾下。（注意修改.py中的地址）

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-NgWnMNBD-1615951567326)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128130645597.png)]

4，利用mageSets_Convert.py, 產生trainval.txt,test.txt,train.txt,val.txt文件,保存在ImageSets\Main文件夾下，這樣VOC2007格式的數據集就生成好了。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-frvD40Y6-1615951567328)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128131737103.png)]

step3.訓練模型

1，生成keras-yolo3所需的train.txt,val.txt,test.txt。

step2中制作的數據集不能直接供keras-yolov3直接使用。需要運行voc_annotation.py ，記得修改classes為數據集中的類別，這里classses = ["car"]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-zP96BKgD-1615951567329)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128132853525.png)]

2，將model_data/voc_classes.txt文件中的類別修改為自己的類別

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-v0zOE46P-1615951567331)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128140156438.png)]

3，修改文件yolov3.cfg中的參數

搜索yolo，一共出現三次，每處修改三個地方，

filter：18 #3 *（5+len（classes）），注意不要在18后加#否則可能在讀取網絡文件配置時，出現識別錯誤，在我刪掉#及其后面的注釋就順利生成.h5文件

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-drZ1SUJa-1615951567333)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128143737454.png)]

classes：1 #要訓練的類別數

random：0 #原來是1，顯存小改為0

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-7YFR6RVY-1615951567335)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128143356990.png)]

在修改yolov3.cfg文件后，執行python convert.py yolov3.cfg yolov3.weights model_data/yolocar.h5

這時在model_data文件夾下便生成yolocar.h5文件

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-Z4zWojHl-1615951567337)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128145444633.png)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-2GJs1Wiw-1615951567339)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128145455708.png)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-vxp6YYHV-1615951567341)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128145505432.png)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-3nrlSW4i-1615951567343)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128145514565.png)]

4，修改anchor的坐標值

yolo是利用9個anchor來檢測目標的位置，因此這9個anchor設置的好壞，會直接影響到訓練與檢測效果。

我們使用kmeans方法來聚類得到與我們數據集接近的anchors，在keras-yolov3下邊有一個kmeans.py文件，打開后將filename改為2007_train.txt（2處），保存運行該腳本，會得到9個anchors的坐標值以及準確率。記下這9個坐標值，然后打開model_data中的yolo_anchors.txt，按照文本中的格式，將9個anchors值依次寫入即可。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-ugRcmW5R-1615951567344)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210128151215911.png)]

5，修改train.py，訓練模型

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-7Yst1d8b-1615951567345)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210129085608422.png)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-u0Xcaj3j-1615951567346)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210129085636213.png)]

根據保存文件名修改相應位置的.txt以及.h5文件。

如果訓練過程中出現顯存不足（OOM），解決方面有二：

1)調整輸入的尺寸：（input_shape）

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-v1aFy7NO-1615951567348)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210129085911523.png)]

2)改變batch_size大小32調整為16,8,4

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-G0n2bP0E-1615951567349)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210129085953674.png)]

6，訓練權重文件保存

最后訓練出模型，即train_weights_final.h5文件。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-w5OvuP1P-1615951567353)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210129092434389.png)]

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-r4zQX8gH-1615951567354)(C:\Users\jinchen\AppData\Roaming\Typora\typora-user-images\image-20210129092114364.png)]

總結：

訓練模型注意事項：

在下載權重的時候需要注意，看看 GPU RAM 要求，比如，我的顯存 2G 是用不了yolov3.weights模型的它的要求 4G，只能用yolov3-tiny.weights

如果顯存大于 4G ，那直接用yolov3.weights預訓練模型就可以了。

CUDA，tensorflow出現OOM

解釋：服務器的GPU大小為M，tensorflow只能申請N（N<M），也就是tensorflow告訴你 不能申請到GPU的全部資源 然后就不干了

解決方法（本例中沒找到session，所以沒有嘗試）：

找到代碼中Session，在session定義前 增加

config = tf.ConfigProto(allow_soft_placement=True)

\#最多占gpu資源的70%
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)

\#開始不會給tensorflow全部gpu資源 而是按需增加
config.gpu_options.allow_growth = True
sess = tf.Session(config=config)

在使用服務器GPU訓練時出現OOM的情況：

tensorflow 會在就算用device_id指定gpu 也會占用別的GPU的顯存資源，所以 必須在執行程序前

執行 export CUDA_VISIBLE_DEVICES=n

只讓1個或者個別GPU可見 其他GPU看不見 就行了

需要的文件鏈接：（百度網盤永久有效）

yolov3-tiny.weights

鏈接：https://pan.baidu.com/s/1TIfF6-ZtP6F_u_dwIyEU_Q
提取碼：inip
復制這段內容后打開百度網盤手機App，操作更方便哦–來自百度網盤超級會員V2的分享

darknet53.conv.74

鏈接：https://pan.baidu.com/s/1pXADiPBIqUTiSIFHAM6Wpw
提取碼：08g3
復制這段內容后打開百度網盤手機App，操作更方便哦–來自百度網盤超級會員V2的分享

常用鏈接：

https://pjreddie.com/darknet/yolo/

U可見 其他GPU看不見 就行了

需要的文件鏈接：（百度網盤永久有效）

yolov3-tiny.weights

鏈接：https://pan.baidu.com/s/1TIfF6-ZtP6F_u_dwIyEU_Q
提取碼：inip
復制這段內容后打開百度網盤手機App，操作更方便哦–來自百度網盤超級會員V2的分享

darknet53.conv.74

鏈接：https://pan.baidu.com/s/1pXADiPBIqUTiSIFHAM6Wpw
提取碼：08g3
復制這段內容后打開百度網盤手機App，操作更方便哦–來自百度網盤超級會員V2的分享

常用鏈接：

https://pjreddie.com/darknet/yolo/

https://blog.csdn.net/u012746060/article/details/81183006

總結

以上是生活随笔為你收集整理的基于UA-DETRAC车辆数据集在windows10系统下yolov3模型训练的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。