赵凯月的博客

1.文章目的 Github上已经有YOLOv3 Pytorch版本的实现，但我总觉得不是自己的东西直接拿过来用着不舒服。想着自己动手丰衣足食，因此，本文主要是出于学习的目的，将YOLO3网络自己搭建一遍，然后使用官方提供的预训练权重进行预测，这样有助于对YOLOv3模型的理解。 2.目标检测的任务 目标检测是计算机视觉中的一项任务，它包括识别给定照片中一个或多个目标的存在、位置和类型。这是一个具有挑战性的问题，涉及建立在对象识别方法（例如，它们在哪里）、对象定位（例如，它们的范围是什么）和对象分类（例如，它

YOLOv3没有太多的创新，主要是借鉴一些好的方案融合到YOLO里面。不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。 本文主要讲v3的改进，由于是以v1和v2为基础，关于YOLO1和YOLO2的部分析请移步YOLO v1深入理解 和 YOLOv2 / YOLO9000 深入理解。 YOLO3主要的改进有： 调整了网络结构； 利用多尺度特征进行对象检测； 对象分类用Logistic取代了softmax 1、新的网络结构Darknet-53 在基本的图像特征提取

1、【yolov1】 第一步：将图像划分为SS的栅格（grid cell），这里分成了77的grid cell。栅格的任务是：检测中心落在该栅格中的物体（注意，栅格中心未必与物体的中心重合，这个一定要明确，对后面的理解才不会产生影响）。 第二步：一个grid cell 可以预测B个bounding boxes（包围盒，以下简称bbox），包括预测bbox的confidence scores。bbo...