frank 的专栏

YOLOv2 的时候，作者在 YOLOv1 的基础上运用了许多有效的 tricks，所以展示了它的 better、faster、stronger 因素，到了 YOLOv3 的时候，这个模型仍然在进化，保持速度的同时，把准确率给提升了许多。速度始终是YOLO系列安身立命之本.这是极具挑衅的一张性能对比图。以实时性要求为分界，这世界上只有 2 种算法，YOLOv3 和其它。...

演员需要自我修养，程序员也需要。YOLO 在当时是非常不错的算法，速度极快，但明显的缺陷就是精度问题特别是小尺寸目标检测问题上。YOLO 的作者有强调的一个事情是 YOLOv2 仍然是实时的，并且在速度和精度方面做了一定的平衡。YOLOv2 是 YOLO 的进阶版，它没有彻底否定 YOLO，而是在 YOLOv1 的基础上，融合了很多其它论文优秀的思想做了大幅的提升。YOLO 作者概括了从 3 个方面入手：更好更快更强1. 如何更好？YOLO 作者对比了 Fast R-CNN 发现 YO

YOLO 是我非常喜欢的目标检测算法，堪称工业级的目标检测，能够达到实时的要求，它帮我解决了许多实际问题。这就是 YOLO 的目标检测效果。它定位了图像中物体的位置，当然，也能预测物体的类别。之前我有写博文介绍过它，但是每次重新读它的论文，我都有新的收获，为此我准备写一个系列的文章来详尽分析它。这是第一篇，从它的起始 YOLOv1 讲起。YOLOv1 的论文地址：https://www.c...

如果你要完成下图的目标检测功能，你会怎么做？对于视觉工程师而言，这当然是个小问题。可术业有专攻，不一定每个程序员都懂 AI 算法，那肯定就有一种方法把算法当成一个黑盒子，处理好输入输出就好了。所以，这篇文章完全是零基础告诉你如何完成上面的目标。首先，进行输入与输出的定义。输入是一张图片经过 AI 算法的处理AI 算法输出结果能搞定目标检测的算法有很多，当前 OpenCV 都支持这些算法的调用，本文讲解 Yolov3,其它算法其实也是大同小异。本文不分析 Yolo 算法的原理，对原理有兴