Windows版YOLOv4-tiny目标检测实战：训练自己的数据集

最新推荐文章于 2026-06-04 19:05:01 发布
原创 最新推荐文章于 2026-06-04 19:05:01 发布 · 4.5k 阅读 · 11
本课程将指导您使用YOLOv4-tiny在Windows10环境下进行目标检测，涵盖从数据集标注到模型训练及测试全过程。课程包含单目标（足球）和多目标（足球与人物）检测实战。

课程链接：https://edu.csdn.net/course/detail/29961

课程演示环境：Windows10 

需要学习Ubuntus系统YOLOv4-tiny的同学请前往《YOLOv4-tiny目标检测实战：训练自己的数据集》

YOLOv4-tiny来了！速度大幅提升！

YOLOv4-tiny是对应于YOLOv4的轻量级目标检测方法，在COCO上的性能可达到：40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny，AP和FPS的性能有巨大提升。并且，YOLOv4-tiny的权重文件只有23MB，适合在移动端、嵌入式设备、边缘计算设备上部署。

本课程将手把手地教大家使用labelImg标注和使用YOLOv4-tiny训练自己的数据集。课程实战分为两个项目：单目标检测（足球目标检测）和多目标检测（足球和梅西同时检测）。

本课程的YOLOv4-tiny使用AlexAB/darknet，在Windows10系统上做项目演示。包括：YOLOv4-tiny的网络结构、安装YOLOv4-tiny、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。  

除本课程《Windows版YOLOv4-tiny目标检测实战：训练自己的数据集》外，本人推出了有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视

标签
#yolov4 #yolov4-tiny #目标检测 #物体检测 #深度学习
最低0.47元/天 解锁文章
YOLOv4-tiny目标检测实战：训练自己的数据集
bai666ai的博客
07-10 7491
课程链接：https://edu.csdn.net/course/detail/29960 课程演示环境：Ubuntu 需要学习Windows系统YOLOv4-tiny的同学请前往《Windows版YOLOv4-tiny目标检测实战：训练自己的数据集》 YOLOv4-tiny来了！速度大幅提升！ YOLOv4-tiny是对应于YOLOv4的轻量级目标检测方法，在COCO上的性能可达到：40.2% AP50, 371 FPS (GTX 1080 Ti)。相较于YOLOv3-tiny，AP和FPS的性能
YOLOv3物体/目标检测之实战篇（Windows系统、Python3、TensorFlow2版本）
热门推荐
黎国溥
09-28 3万+
前言 基于YOLO进行物体检测、对象识别，在搭建好开发环境后，先和大家进行实践应用中，体验YOLO3物体/目标检测效果和魅力；同时逐步了解YOLO3的不足和优化思路。 开发环境参数 系统：Windows 编程语言：Python 3.8 深度学习框架：TensorFlow 2.3 整合开发环境：Anaconda 开发代码IDE：PyCharm 主要使用TensorFlow2.3、opencv-python4.4.0、Pi...
flask部署yolov5的onnx(GPU版本)
12-30
深度学习，目标检测部署
YOLOv5(PyTorch)目标检测实战：Flask Web部署
06-30
PyTorch版的YOLOv5是轻量而高性能的实时目标检测方法。利用YOLOv5训练完自己的数据集后，如何向大众展示并提供落地的服务呢？  本课程将提供相应的解决方案，具体讲述如何使用Web应用程序框架Flask进行YOLOv5的Web应用部署。用户可通过客户端浏览器上传图片，经服务器处理后返回图片检测数据并在浏览器中绘制检测结果。  本课程的YOLOv5使用ultralytics/yolov5，在Ubuntu系统上做项目演示，并提供在Windows系统上的部署方式文档。 本项目采取前后端分离的系统架构和开发方式，减少前后端的耦合。课程包括：YOLOv5的安装、 Flask的安装、YOLOv5的检测API接口python代码、 Flask的服务程序的python代码、前端html代码、CSS代码、Javascript代码、系统部署演示、生产系统部署建议等。 本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv5(PyTorch)目标检测实战：训练自己的数据集》 Ubuntu系统 https://edu.csdn.net/course
YOLOv4目标检测实战：Flask Web部署
11-03
YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。利用YOLOv4训练完自己的数据集后，如何向大众展示并提供落地的服务呢？  本课程将提供相应的解决方案，具体讲述使用Web应用程序框架Flask进行YOLOv4的Web应用部署。用户可通过客户端浏览器上传图片，经服务器处理后返回图片检测数据并在浏览器中绘制检测结果。  本课程的YOLOv4使用AlexyAB/darknet，在Ubuntu系统上做项目演示，并提供在Windows系统上的部署方式文档。 本项目采取前后端分离的系统架构和开发方式，减少前后端的耦合。课程包括：YOLOv4的Flask部署系统架构、YOLOv4的安装及动态链接库的编译、 Flask的安装、YOLOv4的检测API接口python代码、 Flask的服务程序的python代码、前端html代码、CSS代码、Javascript代码、系统部署演示、生产环境部署建议、Windows系统上部署的区别等。 除本课程外，本人推出了有关YOLOv4目标检测的系列课程。请持续关注该系列的其它视频课程，包括： 《YOLOv4目标检测实战：训练自己的数据集》(Ubuntu版) 《YOLOv4目标检测实战：人脸口罩佩戴识别》(Ubuntu版) 《YOLOv4目标检测实战：中国交通标志识别》(Ubuntu版) 《YOLOv4目标检测：原理与源码解析》(Ubuntu版) 《YOLOv4-tiny目标检测实战：训练自己的数据集》(Ubuntu版) 《Windows版YOLOv4目标检测实战：训练自己的数据集》 《Windows版YOLOv4目标检测实战：人脸口罩佩戴识别》 《Windows版YOLOv4目标检测实战：中国交通标志识别》 《Windows版YOLOv4目标检测：原理与源码解析》 《Windows版YOLOv4-tiny目标检测实战：训练自己的数据集》
Mac Mouse Fix终极指南：让你的普通鼠标拥有苹果触控板般的神奇体验
最新发布
gitblog_00027的博客
06-04 645
你是否曾经为Mac上的鼠标体验感到沮丧？侧键无法使用、滚动生硬不流畅、缺乏手势操作？别担心，Mac Mouse Fix正是解决这些痛点的完美工具！这款强大的开源应用能让你的普通鼠标在macOS上获得媲美苹果触控板的流畅体验，甚至在某些方面更胜一筹。无论你是程序员、设计师还是普通用户，Mac Mouse Fix都能显著提升你的工作效率和使用体验。 ## 为什么你需要Mac Mouse Fix？
yolov4模型部署流程
微信号：RunsenLiu
09-09 4662
5、运行完上述代码，可以在./build/darknet/x64/data/下生成 train.txt 文件（里面保存训练图片文件的路径）在./build/darknet/x64/data/obj/ 下生成 img.txt（每一张图片对应的 txt 文件，与 jpg 文件放在一起），同时 test.txt 可以直接复制 train.txt，两者可相同。以 yolov4 为例，打开 https://github.com/AlexeyAB/darknet 这个教程，将这个项目下载到本地文件。
yolov3 flask部署 返回json（小白教程）
qq_34717531的博客
08-05 1873
flask基础教程：https://blog.csdn.net/qq_34717531/article/details/107530288 前置条件： pip install flask 新建文件夹 yolov3flask 其中包含cfg（yolov3的配置文件和权重），image（保存检测图片），out（保存检测后的图片），templates，web.py ，yolov3.py。 yolov3的配置文件和权重，没什么好说的。 templates文件夹里有个upload.html文件。
Windows下使用Darknet训练自己的数据集（模型：yolov4-tiny、数据集：垃圾分类）
weixin_52939176的博客
01-18 6333
超级详细的Darknet训练自己数据集的教程博客，使用yolov4-tiny模型进行垃圾分类数据集进行训练！
yolov3-tiny训练自己的数据集(重在步骤，不究原理)
FriendshipTang的博客
02-06 4000
yolov3-tiny训练自己的数据集环境条件源码下载准备数据三级目录 环境条件 Python 3.6.0 Opencv 3.4.0 Tensorflow 1.14.0 或 Tensorflow-gpu 1.14.0 GTX1050 2G 源码下载 准备数据 三级目录
Windows10下Darknet版yolov4-tiny算法训练自己的数据
红枫林
07-28 1752
PS:本文主要用于自我整理总结，涉及代码已成功在我电脑上运行，如果恰好帮到各位，不甚荣幸。 文章目录环境数据集图像与标签第一步第二步配置文件的修改训练 环境 Windows10 CUDA10.2 cudnn8.0.5.39 torch1.7 数据集 图像与标签 标注软件为labelImg 第一步 ①如果你的数据本来就是txt格式的，那就直接将训练图像和训练标签放在一个文件夹中，验证图像和验证标签放在一个文件夹中，如下图： ②如果你之前用别的模型训练，已经有标注好的xml文件（我就是这样的），即可以用下面的
深度学习实战 | WIN10环境下配置Darknet并使用Yolov4-tiny训练Gun-and-Sword数据集
Genms的博客
06-30 1891
目录 一、准备工作 （一）环境配置 1.cuda和cudnn 2. Visual Studio配置 （二）Darknet安装 1. 下载源文件 2. 编译项目 二、使用Yolov3-tiny进行训练 （一）数据集标注 （二）模型配置 1. 模型文件修改 2. 下载预训练权重 （三）模型训练 （四）模型测试及效果 三、参考资料 一、准备工作 （一）环境配置 1.cuda和cudnn 配置cuda11.1+cudnn11.3，这里提供相应的下载链接，可以去官网下最新的，..
Windows版YOLOv4目标检测实战：人脸口罩佩戴检测(识别)
bai666ai的博客
05-21 3115
课程演示环境：Windows10；CUDA10.2; cuDNN 7.6.5; Python 3.7; Visual Studio 2019; OpenCV3.4 课程链接：https://edu.csdn.net/course/detail/29123需要学习Ubuntu系统YOLOv4的同学请前往《YOLOv4目标检测实战：人脸口罩佩戴检测》 课程链接：https://edu.csdn.net/course/detail/28860 当前，人脸口罩佩戴检测是急需的应用，而YOLOv4是新推出的强.
新手darknet+yolov3-tiny安装+跑一个自己的数据集
weixin_40728070的博客
08-16 5702
最近因为工作需要学习了目标检测， darknet下载https://github.com/pjreddie/darknet yolov3.weights下载https://github.com/ultralytics/yolov3 我使用的darknet框架+yolov3-tiny（最开始使用的是yolov3，但是我的电脑是超薄本，显存不够用，.cfg文件中的参数b s设置的不合理，因为一个...
目标检测—基于Yolov3的目标检测项目实战（学习笔记）
thy0000的博客
03-14 1万+
最近在学习tensorflow，尝试运行学习了github上基于yolov3的一个目标检测项目，此算法可对视频、图片、摄像头实时进行检测 模型训练后检测效果如下： 1.输出视频截图 2.输出图片 源代码地址：https://github.com/zzh8829/yolov3-tf2 Git加速地址：https://gitcode.net/mirrors/zzh8829/yolov3-tf2?utm_source=csdn_github_accelerator 搭建环境：tensorflow2.3（GPU
Windows下YOLOv4-tiny训练避坑指南：CUDA 11+VS2022环境配置详解
sam99的博客
03-07 399
本文详细解析了在Windows系统下配置YOLOv4-tiny训练环境的完整流程与关键避坑点。针对CUDA 11.7与Visual Studio 2022的兼容性问题，提供了从版本选择、Darknet编译、路径管理到GPU内存优化的实战指南，帮助开发者高效搭建稳定的目标检测模型训练环境。
yolo v4 图像识别学习之三——训练自己的数据集
csl136520054的博客
11-20 1822
参考链接：https://blog.csdn.net/csdn_zhishui/article/details/84962587 1、Pascal VOC & COCO数据集介绍 （参考：https://www.cnblogs.com/pprp/p/9629752.html https://www.cnblogs.com/pprp/p/9629752.html） 2、自己的数据集制作（参考Pascal VOC 数据集制作） （原则：仿照标准VOC数据集，先构建框架如下图所示的数据集框架） 2.0、创
评论 12
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

bai666ai

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值