第八章:YOLO v3（渐进式改进）网络详解

最新推荐文章于 2024-10-11 15:10:44 发布

原创

最新推荐文章于 2024-10-11 15:10:44 发布 · 452 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO

YOLOv3是YOLO系列的最新版本，通过多尺度预测和改进的网络架构提升了目标检测的速度和准确性。相比于SSD，YOLOv3在保持相近的mAP的同时，速度提高了三倍。文章详细介绍了YOLOv3的边界框预测、类别预测、不同尺度上的预测以及特征提取器的设计，并对比了与其他方法的性能。

(目标检测篇）系列文章目录

第一章:R-CNN网络详解

第二章:Fast R-CNN网络详解

第三章:Faster R-CNN网络详解

第四章:SSD网络详解

第五章:Mask R-CNN网络详解

第六章:YOLO v1网络详解

第七章:YOLO v2网络详解

第八章:YOLO v3网络详解

文章目录

系列文章目录
技术干货集锦
前言
一、摘要
二、正文分析
- 1.引入库
- 2.读入数据
总结

技术干货集锦

0.摘要

我们对YOLO进行了一些更新！我们进行了一系列小的设计改变以提升性能。我们还训练了一个新的网络，效果非常好。相较于上一次，它稍微大一些，但更加准确。不过，不用担心，它仍然很快。在320×320的情况下，YOLOv3在22毫秒内运行，mAP为28.2，在准确度上与SSD相当，但速度快三倍。当我们看旧的0.5 IOU mAP检测指标时，YOLOv3表现非常好。在Titan X上，它在51毫秒内达到了57.9 AP50，而RetinaNet在198毫秒内只有57.5 AP50，性能相似但快3.8倍。和往常一样，所有代码都可以在https://pjreddie.com/yolo/在线上找到。

1.前言

1.引言有时候，你可能只是随便做了一年，你知道吗？我今年没有进行太多的研究。在Twitter上花了很多时间。稍微尝试了一下生成对抗网络。我还保留了去年的一些动力[12][1]；我设法对YOLO进行了一些改进。但是，老实说，并没有什么特别有趣的东西，只是一些小的改变让它更好。我还稍微帮助了一些其他人的研究。实际上，这就是我们今天在这里