Github热门AI技术推荐——目标检测之YOLO

此篇文章灵感来源于一位正在做车端感知算法的程序员，本人在这之前并不了解YOLOv3的强大，但亲身感受后，不得不说YOLO的创造者-Joseph Redmon和Ali Farhadi等人简直是鬼才。随后本人翻阅了大量的文献和内容，发现如要想了解 YOLO v3必须得从之前的论文开始，因为关于YOLO v3的论文写的实在是随意。

 

2015年，Joseph Redmon和Ali Farhadi提出的基于单个神经网络的目标检测系统。比目前最好的方法提高了14%的精度，在GPU上能达到13FP。网络结构示意图如下：

 

详细中文解析链接：https://blog.youkuaiyun.com/u013187057/article/details/84498042

 

2016年，YOLO诞生了，被后人称为YOLOv1，它摒弃了RCNN系列方法中的region proposal步骤，将detection问题转为一个回归问题。YOLO v1 网络架构是受到图像识别模型GoogLeNet的启发。网络有24个卷积层后接2个全连接层。然而，不同于GoogLeNet中使用的inception modules简单地在1×1卷积层后面接上3×3卷积层（类似于Lin等人）。如下图 Figure 3 所示：

 

 

详细中文解析链接：https://www.cnblogs.com/CZiFan/p/9516504.html

 

2017年，YOLO模型升级，称为YOLOv2，基于实时目标检测系统YOLO9000，YOLOv2在PASCALVOC和COCO等标准检