download__king的博客

1.简介 Yolov3是以Darrknet53为特征提取网络，特征金字塔网络为回归模型的组合网络模型，它采取多尺度融合的方法进行预测，其输入尺寸和yolov2一样，却有着三个输出尺寸，13＊13，26＊26和52＊52，分别对小尺寸，中等尺寸，大尺寸目标进行预测。 2.基本概念 1.NMS(非极大化抑制) 设置一个置信度门限，根据这个门限，去除置信度低于该门限的先验框 进行归类，求出每个预测物体的先验框置信度集合 求出每个预测物体先验框置信度最大值，并通过设置iou门限，去掉与该最大置信度门框重叠率超过门

1.背景 由于Yolov1网络效率低，对于小物体和密集群体检测效果差，也得益于Faster RCNN先验框的启发，Yolov2基于Yolov1的基础上产生了。 2.基本概念 1.Multi-Scale Training(多尺度训练) Yolov2整个网络采用卷积层和池化层，并无全输出层，因此并没有图片尺度大小的限制。 由于输入图片一般为416416，五次池化后，变为1313。因此，输入图像基本为32的倍数。这种网络训练方式使得相同网络可以对不同分辨率的图像做检测。 在输入size较大时，训练速度较慢，在输入

** Yolo系列（1）–Yolov1 ** 1. 背景 ## Yolov1能够实现端到端的目标 Yolov1用于检测和识别，其最大的优势就是速Yolov是一个实现回归功能的卷积神经网络，其没有过于复杂的结构设计过Yolov1在区分目标和背景区域的效果上要有优与基于区域建议的 RCNN系列算的，它是直接通过整张图片进行训练模型，而没有采用滑动窗口、选择性搜索等方式进行候选框的选择。 2.基本概念 1.BoundingBox(边界框) 边界框的大小和位置用4个值来表示：(x,y,w,h)，其中(x, y