Ubuntu18.04上基于YoloV4 的Keras物体识别

最新推荐文章于 2026-08-18 13:24:36 发布
原创 最新推荐文章于 2026-08-18 13:24:36 发布 · 437 阅读 · 4 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
人工智能机器学习

当前文章被收录于：

人工智能机器学习
7 篇文章 0 人学习
订阅专栏 查看详情
本文详细介绍如何基于YoloV4和Keras搭建物体识别系统，包括环境配置、权重文件下载及运行测试流程。首先，指导读者安装必要的软件包如TensorFlow、Keras和OpenCV-Python；其次，提供从GitHub克隆项目和下载预训练权重的方法；最后，通过修改配置文件和运行测试脚本来实现物体识别。

基于YoloV4 的Keras物体识别

一、安装环境

1.下载TensorFlow

 pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.14.0

2.安装keras

 pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow==1.14.0

3.安装OpenCV-Python

pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple opencv-python

二、下载包

1.从GitHub上下载

git clone https://github.com/Ma-Dan/keras-yolo4

在这里插入图片描述

2.下载权重文件

在这里插入图片描述

三、运行

1.修改文件

找到test.py，修改model_path。修改为我们前面已经引入的.h5文件。
在这里插入图片描述
test.py顶部添加编码
在这里插入图片描述

2.编译并运行

cd keras-yolo4
python3 test.py

在这里插入图片描述

标签
#机器学习
边缘设备深度学习推理实战：从ONNX到TensorRT部署指南
weixin_30243533的博客
06-24 349
深度学习推理在边缘计算场景中，本质是将训练完成的模型适配至算力受限、功耗敏感、环境严苛的物理终端。其核心原理在于模型优化（如量化、剪枝）、硬件加速（如DLA、GPU协同）与运行时精简（C++预/后处理），技术价值体现在毫秒级延迟、低功耗稳定运行及工业级鲁棒性。典型应用场景包括工业视觉质检、农业无人机病虫害识别、社区养老跌倒检测等实时AI落地任务。本文聚焦Deep Learning inference与Edge computing两大热词，提供覆盖ONNX模型导出、TensorRT引擎构建、C++高性能流水线
Caffe深度解析：静态图、内存复用与嵌入式视觉部署核心原理
weixin_30947043的博客
06-27 434
Caffe是一种面向计算机视觉任务的高性能深度学习框架，其核心在于静态计算图设计与底层硬件协同优化。它通过预编译的CUDA kernel、显式的Blob内存管理及Layer级模块化架构，在CPU/GPU异构环境中实现接近硬件极限的吞吐效率。相比动态图框架，Caffe牺牲易用性换取确定性执行、细粒度内存复用和跨平台ABI稳定性，特别适用于资源受限的嵌入式设备部署、工业级低延迟流水线构建以及CNN底层优化研究。本文深入剖析Caffe的prototxt配置驱动机制、SyncedMemory同步策略与Layer生命
YoloV4代码以及部分权重文件
04-24
yolov4代码以及部分权重 yolov3-微小-prn.cfg - 33.1％mAP@0.5 - 370（R）FPS - 3.5 BFlops - 18.8 MB：yolov3-微小-prn.weights ENET-coco.cfg（EfficientNetB0-Yolov3） - 45.5％mAP@0.5 - 55（R）FPS - 3.7 BFlops - 18.3 MB：enetb0-coco_final.weights
顶尖高校AI学习路线图：10门硬核课程构建工程与原理双能力
culi3118的博客
07-02 603
人工智能学习本质上是数学建模、算法优化与工程实践的统一。从线性回归的损失函数定义，到深度神经网络的梯度反向传播，再到模型部署中的数据漂移监控，扎实掌握AI需贯通‘工具使用—原理推导—决策判据’三层能力。斯坦福CS229、MIT 6.S191、DeepLearning.AI专项等课程，以手写推导、从零实现、批判复现为特色，系统覆盖凸优化、贝叶斯统计、注意力机制等核心概念，支撑机器学习工程师、MLOps开发与AI伦理审计等关键岗位能力构建。
Ubuntu16.04下tensorflow+SSD实现（人脸，通用物体）目标检测，环境的搭建与测试以及搭建环境的踩坑环节的梳理（一）
12-21
Ubuntu16.04下tensorflow+SSD实现（人脸，通用物体）目标检测，环境的搭建与测试以及搭建环境的踩坑环节的梳理（一） 开发环境：Ubuntu16.04、cuda、cudnn 语言：Python3.5（也可以Python3.6） 框架：tensorflow1.12 、SSD 英伟达GPU配置步骤： 1.tensorflow1.12使用的Python版本不能是3.7的，要求在3.7以下 2.cuda和cudnn的环境在英伟达下进行下载，由于每个人的计算机环境是否有GPU显卡和显卡的版本不同，需要进行TensorFlow和cuda、cudnn和匹配 2.1 nvidia-smi 可
Ubuntu18.04下基于YoloV4 的Keras物体识别
白码王子小张的博客
07-06 811
这里写目录标题一、安装keras、tensorflow二、下载Yolo V4-keras三、yolov4.weights权重文件h5模型转换四、实现YoloV4 的Keras物体识别 一、安装keras、tensorflow 注意：安装的keras和tensorflow版本要相匹配 1.安装keras 二、下载Yolo V4-keras 1.下载Yolo V4-keras git clone https://github.com/Ma-Dan/keras-yolo4 文件内容如下： 2.yolov4.
Linux/Ubuntu系统运行Python+Yolov5物体识别
alicema1111的博客
05-23 1077
这篇博客针对Linux/Ubuntu系统运行Python+Yolov5物体识别编写代码，代码整洁，规则，易读。 学习与应用推荐首选。
【无标题】ZED相机+yolov4+Ubuntu20.04+Cuda11.7+cudnn8进行物体检测
qaaaaaaz的博客
09-16 2067
ZED相机+yolov4+Ubuntu20.04+Cuda11.7+cudnn8进行物体检测
基于Keras的YOLOv4目标检测平台
小白不白
08-11 9427
前言 首先说一下什么是目标检测：对计算机而言，能够“看到”的是图像被编码之后的数字，但它很难解高层语义概念，比如图像或者视频帧中出现目标的是人还是物体，更无法定位目标出现在图像中哪个区域。目标检测的主要目的是让计算机可以自动识别图片或者视频帧中所有目标的类别，并在该目标周围绘制边界框，标示出每个目标的位置。 如图所示： （a）是图像分类任务，只需识别出这是一张斑马的图片。 （b）是目标检测任务，不仅要识别出这是一张斑马的图片，还要标出图中斑马的位置。 目标检测发展历程 在上一节中我们学习了图像分类处理
手把手教你用深度学习做物体检测(三)：模型训练
weixin_30566149的博客
09-03 315
本篇文章旨在快速试验使用yolov3算法训练出自己的物体检测模型，所以会重过程而轻原理，当然，原理是非常重要的，只是原理会安排在后续文章中专门进行介绍。所以如果本文中有些地方你有原理方面的疑惑，也没关系，可以自行网上搜索相关资料，也可以先留着问题，相信你会在后续文章中找到答案。 上篇文章《手把手教你用深度学习做物体检测(二)：数据标注》中已经介绍了如何准备我们...
推荐开源项目：aXeleRate - 边缘计算的AI加速框架
gitblog_00003的博客
06-04 636
推荐开源项目：aXeleRate - 边缘计算的AI加速框架 1、项目简介 【aXeleRate】是一个基于Keras的智能边缘计算框架，特别设计用于简化计算机视觉模型的训练和转换流程，使其能够高效运行在各种硬件加速平台上。项目支持Google Colab上的工作流，并已验证在Ubuntu 18.04/20.04上运行良好，不过其他Linux发行版和Mac OS/Windows尚未测试。 2、项目...
基于YOLOv3的口罩佩戴实时检测系统毕业设计实战项目
最新发布
weixin_42376614的博客
08-18 308
简介：本项目是一个完整的计算机视觉毕业设计实战，基于YOLOv3目标检测算法构建端到端口罩佩戴检测系统。项目涵盖数据采集与标注、图像预处理、Darknet-53主干网络配置、多尺度特征融合训练、模型权重优化及OpenCV实时推理部署全流程。使用Python语言开发，依托TensorFlow/PyTorch框架与OpenCV库，支持静态图像与视频流检测，输出边界框与佩戴状态判定结果，并提供精度（mAP）、召回率等评估脚本。适用于高校课程设计、毕设答辩及AI安防场景快速原型验证。
keras-yolov4.rar
05-09
keras的YOLOV4版本，拿来就能用，使用方法和yolov3相同，可以借鉴其他人的yolov3 keras版本的训练与检测过程
物体识别全流程（Ubuntu16.04）结合ROS
weixin_44290841的博客
08-20 2498
物体识别全流程（Ubuntu16.04）结合ROS 1.使用labellmg，标记图片，生成xml标签 在此下载labellmg包 下载之后解压到要放置的目录 推荐使用Python3+Qt5 打开labellmg包 在当前目录终端下运行如下命令行 sudo apt-get install pyqt5-dev-tools sudo pip3 install -r requirements/requi...
使用YOLO进行物体识别+ubuntu16.04+ROS
qq_25368751的博客
09-18 3203
进行了一个星期的探索终于成功了。 简单进行一下整理思路： 1. 电脑必须安装git，然后在自己电脑上生成密钥，这里具体方法百度，默认大家都会了。 2. 生成密钥之后在home文件夹下找到.ssh文件夹，如果没用找到的话按ctrl+H会显示隐藏目录，打开.ssh文件之后 找到id_rsa.pub复制里边的内容。 3. 注册一个github帐号，导入密钥文件 进入settings ...
Ubuntu18.04摄像头标定+识别
m0_50848587的博客
12-11 2178
如果是在笔记本中的虚拟机中运行，需要将笔记本自身的摄像头禁用 此电脑-管理-设备管理器-照相机-禁用笔记本自带摄像头 1、解决rqt问题 rqt_graph：未找到命令 sudo apt-get install ros-melodic-rqt sudo apt-get install ros-melodic-rqt-graph sudo apt-get install ros-melodic-rqt-common-plugins 如果出现 W: 仓库 “https://mirrors.tuna.tsing
在keras中实现yolov4目标检测
MALLAIN的博客
11-19 1682
在yolov4中实现对自己的数据集进行训练环境配置1.数据集的制作2.生成train、test、val数据集3.训练4.预测5.总结 环境配置 win10+tensorflow-gpu1.13.2+cuda10.0+cudnn7.4 1.数据集的制作 先安装labelimg，步骤如下： pip install PyQt5 pip install pyqt5-tools pip install lxml pip install labelImg 在安装好lxml之后，也可以直接将data文件复制到电脑，运行
睿智的目标检测60——Tensorflow2 Focal loss详解与在YoloV4当中的实现
Bubbliiiing的学习小课堂
08-07 4694
睿智的目标检测61——Tensorflow2 Focal loss详解与在YoloV4当中的实现学习前言什么是Focal Loss一、控制正负样本的权重二、控制容易分类和难分类样本的权重三、两种权重控制方法合并实现方式 学习前言 TF2的也补上咯。其实和Keras的一摸一样0 0。 什么是Focal Loss Focal Loss是一种Loss计算方案。其具有两个重要的特点。 1、控制正负样本的权重 2、控制容易分类和难分类样本的权重 正负样本的概念如下： 目标检测本质上是进行密集采样，在一张图像生成成千
评论
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
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