YOLO系列学习（YOLOv3）

最新推荐文章于 2025-08-04 17:22:31 发布
原创 最新推荐文章于 2025-08-04 17:22:31 发布 · 3.6k 阅读 · 3 ·
CC 4.0 BY-SA版权
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。
文章标签：

#YOLO #目标检测 #神经网络 #CNN

本文详细介绍了YOLOv3的目标检测技术，包括其金字塔特征融合、多尺度预测和改进的网络结构。YOLOv3通过1×1+3×3卷积层堆叠、残差模块和多尺度预测实现更高精度和更快的速度。同时，文章探讨了不同的预测机制和损失函数对模型性能的影响，并分享了作者的见解。

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.youkuaiyun.com/Bernice_lying

# YOLO：You only look once#

     方法如其名，仅需看一次图像，即可预测存在的物体和相对应的坐标位置，它追求“秒识”体验，有着“fast & accurate”的检测表现。它的建模思想是将检测问题转化为回归问题。

官方源码： http://pjreddie.com/yolo/
最低0.47元/天 解锁文章
YOLOv8【第五章：特征融合Neck篇·第1节】一文搞懂，AFPN渐近特征金字塔网络设计！
**My Coding Family**
11-15 861
🏆 本文收录于 《YOLOv8实战：从入门到深度优化》，该专栏持续复现网络上各种热门内容(全网YOLO改进最全最新的专栏，质量分97分+，全网顶流)，改进内容支持(分类、检测、分割、追踪、关键点、OBB检测)。且专栏会随订阅人数上升而涨价(毕竟不断更新)，当前性价比极高，有一定的参考&学习价值，部分内容会基于现有的国内外顶尖人工智能AIGC等AI大模型技术总结改进而来，嘎嘎硬核。
【YOLO系列】YOLOv5超详细解读（源码详解＋入门实践＋改进）
热门推荐
路人贾的博客
03-03 24万+
一文带你详细了解YOLOv5（含YOLO系列论文讲解+源码详解+入门实践+算法改进）
yolov3 官网文档 设计到编译，训练，map等参数测试，windows和linux均有说明
qq_31904559的博客
12-14 1793
GitHub原文：https://github.com/AlexeyAB/darknet#how-to-compile-on-linux 参考博客原址：https://blog.youkuaiyun.com/qq_34806812/article/details/81385163 Yolo-v3 and Yolo-v2 ...
yolov3
夏日山间过
06-19 436
目标识别 已经有了OverFeat/R-CNN/Fast-RCNN。 改进的地方： １． 不要像OverFeat/R-CNN将分类与定位的训练分开进行。而改成：一次计算、一步到位，共２个任务。 ２． 不要像Fast-RCNN借用selective method单独提炼2000多个regions，直接在原图上训练出98个bounding boxes。 ３． 不用sliding window，而采用g...
YOLOv3
evergreenswj的博客
09-02 266
https://blog.youkuaiyun.com/u010397980/article/details/85058630 有网络结构图,使得网络结构一目了然,后面还有对bounding box坐标计算的介绍,也非常有用,总之就是非常的好. https://blog.youkuaiyun.com/qq_34199326/article/details/84109828 这个是专门讲bounding box...
yolov3官网上预训练模型
04-21
里面包含了yolov3.weights、yolov3-tiny.weights、darknet53.conv.74
YOLO v3
xiaochengJF的博客
11-08 630
参考文献 【1】yolo系列之yolo v3【深度解析】
YOLO系列之YOLOv3
qq_52937486的博客
11-08 1193
faster rcnn,SSD都是针对于anchor而言的，而yolo里是则对于anchor左上角点而言的，yolo结构里也提到，有三个预测特征层，每个预测特征层有不同的模板，下图假设是一个，则对每个anchor模板，都有四个边界框回归参数，分别对应tx,ty,tw,th。N*N是特征图的大小，常见的N13，26，52；l2损失，右上图l2损失是一样的，但是IOU不同，即损失不能很好的反映重合程度，故引入IOU Loss,计算公式如下，=-ln(IOU),还有一个IOU Loss=1-IOU。
【YOLOv10】2024年5月最新的YOLO系列模型Yolov10(论文阅读笔记) + 完整创新点说明 + 总结
静谧、淡雅
05-29 3645
2024年5月最新的YOLO系列模型Yolov10的论文阅读笔记
【YOLO系列】YOLOv3详解：模型结构、损失函数、训练方法及代码实现
一碗白开水一
07-27 858
YOLOv3详解：单阶段目标检测的里程碑模型 摘要：YOLOv3作为YOLO系列的重要升级，通过三大创新显著提升了检测性能：(1)采用Darknet-53骨干网络增强特征提取能力；(2)引入多尺度预测机制，通过特征金字塔结构实现13×13、26×26、52×52三种尺度的检测；(3)改进损失函数设计，包含坐标损失、置信度损失和分类损失三部分。模型在COCO数据集上达到mAP 33.0%的同时保持51ms的实时处理速度。关键技术包括K-means生成的9个先验框、二元交叉熵分类损失以及"宽高平方根&
【YOLO系列】YOLOv12详解：模型结构、损失函数、训练方法及代码实现
最新发布
一碗白开水一
08-04 1600
本文提出YOLOv12，一种以注意力为中心的实时目标检测框架，通过创新性改进解决传统YOLO模型在精度与速度上的失衡问题。核心贡献包括：1）轻量混合注意力模块（LHA）结合通道与空间注意力，在不增加计算负担下提升特征提取能力；2）区域注意机制与R-ELAN网络优化特征聚合，显著改善小目标检测（AP_S提升8.3%）；3）动态多光谱数据增强策略增强模型鲁棒性。实验表明，YOLOv12在COCO等基准上实现SOTA性能，同时保持2.1 TOPS/W的高能效比，适用于边缘设备部署。该工作为实时目标检测提供了新的注
国外官网上下的yolov3.weights权重
11-14
国外官网上下的yolov3.weights权重，容易的断，不太好下，好不容易下载成功，230多兆，有需要的朋友可以下载。
yolov3数据增强实现
02-24
yolov3数据增强实现
YOLO V3
xunan003的博客
04-01 8764
原文链接：点击打开链接第一部分：论文以及代码测试论文：https://pjreddie.com/media/files/papers/YOLOv3.pdf翻译：https://zhuanlan.zhihu.com/p/34945787代码：https://github.com/pjreddie/darknet训练与测试：https://pjreddie.com/darknet/yolo/旧版链接：...
YOLO v3算法笔记
AI之路
05-05 8万+
论文：YOLOv3: An Incremental Improvement 论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf YOLO系列的目标检测算法真的非常赞！这篇博客就来介绍YOLO v3算法的内容，因为涉及到v1和v2的一些思想，所以可以先熟悉下：YOLO v1算法详解，YOLO v2算法详解。 YOLO算法的基本思想是：...
yolo官网
zxyhhjs2017的博客
10-15 1万+
yolov3官方运行网站： https://pjreddie.com/darknet/yolo/
YOLO v3记录
Kaige_Zhao的博客
03-28 971
[code]：点击打开链接编译代码git clone https://github.com/pjreddie/darknet cd darknet make　＃make之前需要修改Makefile文件Makefile文件如下：GPU=1　＃如果有GPU，此处改为１，否则为０ CUDNN=0　＃如果有CUDNN，此处改为１，否则为０ OPENCV=1 # 需要实时可视化，此处可改为１ OPENMP=...
一文看懂YOLO v3
晨海的博客
02-20 1084
原文链接：https://blog.youkuaiyun.com/litt1e/article/details/88907542 论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf 论文：YOLOv3: An Incremental Improvement YOLO系列的目标检测算法可以说是目标检测史上的宏篇巨作，接下来我们来详细介绍一下YOLO v...
【OpenCV】使用官方YOLOv3模型进行目标检测
チン昶的博客
04-23 1万+
在OpenCV中实现基于YOLO3模型的目标检测
yolo系列和yolov8
03-25
好的，用户想了解YOLO系列与YOLOv8的区别及特性。首先我需要回顾一下YOLO各个版本的发展，然后重点分析v8的改进。记得根据系统级指令，数学公式要用$...$，独立公式用$$...$$，同时要生成相关问题，还要注意引用已有...
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