YOLOv3网络改进(二)（未完）

最新推荐文章于 2025-10-08 17:15:10 发布
原创 最新推荐文章于 2025-10-08 17:15:10 发布 · 1k 阅读 · 13 ·
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。

本文介绍如何根据自定义数据集计算YOLOv3的Anchor值，以提高目标检测精度。通常，YOLOv3使用预设的9个Anchor，但不同数据集可能需要不同的Anchor值。文章提供了两种Python脚本实现方法，一种来自优快云，另一种来自GitHub，用于通过k-means聚类算法计算适合特定数据集的Anchor。

参考：

https://www.zhihu.com/question/308366100

https://www.pythonheidong.com/blog/article/409533/

1、根据自己的数据集重新计算anchor值

官网或者AlexeyAB的yolov3.cfg中，都是是3个检测尺度共9个anchors，但是不同数据库的anchors值不一样，如果只用默认的anchor值，会造成检测框不精确，所以对于自训练模型来说，根据自身数据集或者网络的特征尺度的修改情况，来修改anchor值。

anchor值是使用k-means聚类算法计算所得。

通过查阅相关资料，有2种python脚本可以实现。只是我还没有运行，不知道效果。先把链接贴上。（证实后再来反馈）

https://blog.youkuaiyun.com/weixin_42880443/article/details/81953158

https://github.com/PaulChongPeng/darknet/tree/master/tools

 

https://blog.youkuaiyun.com/andeyeluguo/article/details/89230914

https://github.com/lars76/kmeans-anchor-boxes

YOLOv10算法改进【NO.141】引入多阶门控聚合网络改进
m0_70388905的博客
10-05 290
多阶门控聚合网络
YOLOv10算法改进【NO.137】使用​卷积神经网络的小波池化改进YOLOv10n的上采样和下采样
m0_70388905的博客
10-03 637
使用​卷积神经网络的小波池化改进YOLOv10n的上采样和下采样
YOLO V3 改进详解
leeyns的博客
11-29 1650
YOLO V3 的主要改进解读。
YOLOv3网络改进(一)
xue_csdn的博客
07-30 6110
参考：https://www.pythonheidong.com/blog/article/409533/ 在官网或者AlexeyAB中，YOLOv3的推理过程是用route把第85和61层、97和36层特征拼接在一起，在13x13尺度的基础上，增加了26x26、52x52两个尺度。但是如果想要对更小的目标做检测时，增加浅层网络的FPN，即继续按照同样的拼接原理，将上采样之后的特征与浅层网络特征拼接，完成第4个甚至第5个特征尺度。接下来介绍如何增加第4个尺度。 原始yolov3结构增加第4个尺度104x
Yolo模型还可以怎么改进？
最新发布
2501_93677353的博客
10-08 212
通过将YOLO与DETR等结构融合，能够增强模型对复杂场景中全局上下文信息的理解，进而提升目标检测的准确率。通过将MobileNetV3或EfficientNet等轻量网络作为YOLO的骨干网络，可在维持较高检测效率的同时，显著减少模型的参数量与计算复杂度。为此，可在YOLO架构中引入自注意力机制（如SE模块或CBAM），增强模型对多区域、多尺度特征的选择性关注能力。将该结构嵌入YOLO的骨干部分，可在不显著损失性能的情况下提升推理速度，特别适用于对实时性要求高且计算资源有限的检测任务。
YOLO v3对网络结构做了哪些改进？
学姐带你玩AI的博客
03-31 1381
YOLOv3有两个值得一提的亮点，一个是使用残差模型，进一步加深了网络结构；另一个是使用FPN架构实现多尺度检测。
Python-TensorFlow实现的YOLOv3改进版
08-11
TensorFlow实现的YOLOv3改进版
YOLOv8算法改进【NO.86】将主干特征网络替换为2023年顶会CVPR的EfficientViT，助力SCI论文发表
m0_70388905的博客
12-12 1099
将主干特征网络替换为2023年最顶会CVPR的EfficientViT，助力SCI论文发表
YOLOv9/YOLOv8算法改进【NO.102】涨点+轻量化，亲测有效。引入二次创新模块Faster-EMA，将EMA注意力机制与FasterNet中的核心模块结合构成新模块，
m0_70388905的博客
03-09 6242
YOLOv8算法二次创新，亲测涨点且轻量化
YOLOv9/YOLOv8算法改进【NO.133】2024年最新MobileNetV4轻量化算法作为YOLO算法的主干特征提取网络
m0_70388905的博客
05-23 1067
2024年最新MobileNetV4轻量化算法作为YOLO算法的主干特征提取网络
YOLOv3改进方法增加特征尺度和训练层数-附件资源
03-02
YOLOv3改进方法增加特征尺度和训练层数-附件资源
_嵌入SENet结构的改进YOLOV3目标识别算法.pdf
09-09
_嵌入SENet结构的改进YOLOV3目标识别算法，论文，非常好的学习YOLO的论文。
YOLO系列改进
qq_56047026的博客
06-25 1677
采用结构重参数化，（1）训练时，使用ResNet-style的多分支模型（特点：增加模型的表征能力）（2）测试时，转化成VGG-style的单线路模型（特点：速度更快、更省内存并且更加的灵活）Backbone：每个ResX包含1+2*X个卷积层，Darknet=1+（1+2×2）+（1+2×8）+（1+2×8）+（1+2×4）+FC全连接层（不包含）=53。Backbone：每个CSPX包含5+2*X个卷积层，1+（5+2×1）+（5+2×2）+（5+2×8）+（5+2×8）+（5+2×4）=72。
AI大视觉（四) | Yolo v3 的改进思想
aibigtruth的博客
06-09 3941
本文来自公众号“AI大道理” 转自 | 青云 原文 | https://blog.youkuaiyun.com/m0_45962052/article/details/105199178 ​ YOLO v3 是目前工业界用的非常多的目标检测的算法。 YOLO v3 没有太多的创新，主要是借鉴一些好的方案融合到 YOLO v2 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。 YOLO v3 主要的改进有： （1）调整了网络结构； （2）利用多尺..
yolov3算法及其改进
m0_38113054的博客
12-25 1080
YOLOV3的实时性和精确性在当时比较好，广泛应用于工业界YOLOV3在backbone网络结构上应用残差连接思想来解决深度网络的梯度消失问题YOLOV3最显著的改进就是在三个尺度上以相同的方式来进行目标检测，这使得科技检测到不同规模的目标YOLOV3损失函数是将之前的softmax改为logit在最后推理阶段YOLOV3对3个检测层的预测结果进行非最大抑制（NMS）来确定最终的检测结果。
YOLOv3论文精读: An Incremental Improvement-增量式的改进
小白不白
01-13 1226
我们对 YOLO 进行了一系列更新！它包含一堆小设计，可以使系统的性能得到更新。我们也训练了一个新的、比较大的神经网络。虽然比上一版更大一些，但是精度也提高了。不用担心，它的速度依然很快。YOLOv3 在 320×320 输入图像上运行时只需 22ms，并能达到 28.2 mAP，其精度和 SSD 相当，但速度要快上 3 倍。使用之前 0.5 IOU mAP 的检测指标，YOLOv3 的效果是相当不错。
yolo系列模型改进
weixin_42064949的博客
02-01 163
yolov5模型各种改进
yolo改进汇总！
wozhenshicaib的博客
10-21 248
添加 EMA 注意力：（EMA不仅通过类似CA的处理避免了维度减缩，还通过3x3卷积在更大尺度上捕获特征，并通过跨空间学习方法聚合多个并行子网络的输出特征图。BiFormer改进：(BRA 使 BiFormer 能够以内容感知的方式处理每个查询最相关的键/值令牌，从而在计算性能和效率之间实现更好的平衡。DCNv3（Deformable Convolutional Networks v3）：是对传统卷积神经网络的扩展，旨在提高。DynamicConv:(动态卷积)
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