Yolo系列——yolo v3

一、概述

YOLOv3（You Only Look Once version 3）是由Joseph Redmon等人在2018年推出的一款目标检测算法。作为YOLO系列的第三代版本，YOLOv3在保持实时性的基础上，进一步提高了检测准确性，特别是在小物体检测方面表现出色。它采用单阶段检测方法，将目标检测问题转化为回归问题，使用单个神经网络直接从完整图像预测边界框和类别概率，实现了端到端的快速目标检测。

二、网络结构

YOLOv3的网络结构主要包括骨干网络、特征金字塔网络（FPN）以及预测层。

• 骨干网络：YOLOv3采用Darknet-53作为特征提取网络。Darknet-53是一个基于ResNet残差网络思想的深度学习模型，包含53个卷积层，每个卷积层后跟随批量归一化层和Leaky
  ReLU激活函数。这种结构使得网络在提取特征时更加高效，同时避免了过拟合的问题。Darknet-53去除了池化层，使用步长为2的卷积层进行特征图的降采样，有效避免了低层级特征的损失。
• 特征金字塔网络（FPN）：YOLOv3引入了FPN机制，以解决多尺度检测的问题。FPN在Darknet-53的输出上添加了几个额外的卷积层，形成了三个不同尺度的特征图。这使得网络能够更好地检测不同大小的目标。通过融合深层和浅层的特征，YOLOv3能够显著提高对小目标的检测能力。

三、模型改进