yolov3什么时候出来的
yolov3什么时候出来的?？
yolo v3是2018年出来的🦓——_🎋*，比SSD和retinanet都要晚🐐🪆__🌈🧸，在map0.5这个指标上速度比SSD和retinanet快很多*😾——-🥍。在工业应用上面map0.5已经满足使用🦩——♣，并且yolo v3简介😉🐖——😚🎆，文档丰富🐍_🐁，还有tiny版本等一些列变种⛳_😢🐨。最重要的是速度非常快🦇-|😤，比SSD和retinanet都要快🦠——|😸。YOLOv3 的提出不是为了解决什么问题🐲_——🐳，整篇论文其实是技术报告🐯——😨🐾。
6. yoloV2算法🦅🌜-|🌺：yoloV2在yolo的基础上进行了优化和改进*🐦|🐄，它采用了DarkNet-19作为网络结构🐥🐲_-🌘🏓，并引入了多尺度特征图进行目标检测🏏——🦠🌈。此外🍁🦙|😄，yoloV2还采用了数据增强和新的损失函数🐇🤗-🦈🍄，进一步提高了准确率🌾|——🐰🎴。7. yoloV3算法🦡🐉-🐑：yoloV3是yoloV2的升级版😳🦊-*，它采用了更深的网络结构🦉😣-|🦡，并引入了新的损失函数和数据增强策略⭐️🐈|🐑🌸。
yolo v3是2018年出来的🦓——_🎋*，比SSD和retinanet都要晚🐐🪆__🌈🧸，在map0.5这个指标上速度比SSD和retinanet快很多*😾——-🥍。在工业应用上面map0.5已经满足使用🦩——♣，并且yolo v3简介😉🐖——😚🎆，文档丰富🐍_🐁，还有tiny版本等一些列变种⛳_😢🐨。最重要的是速度非常快🦇-|😤，比SSD和retinanet都要快🦠——|😸。YOLOv3 的提出不是为了解决什么问题🐲_——🐳，整篇论文其实是技术报告🐯——😨🐾。
6. yoloV2算法🦅🌜-|🌺：yoloV2在yolo的基础上进行了优化和改进*🐦|🐄，它采用了DarkNet-19作为网络结构🐥🐲_-🌘🏓，并引入了多尺度特征图进行目标检测🏏——🦠🌈。此外🍁🦙|😄，yoloV2还采用了数据增强和新的损失函数🐇🤗-🦈🍄，进一步提高了准确率🌾|——🐰🎴。7. yoloV3算法🦡🐉-🐑：yoloV3是yoloV2的升级版😳🦊-*，它采用了更深的网络结构🦉😣-|🦡，并引入了新的损失函数和数据增强策略⭐️🐈|🐑🌸。
一文读懂目标检测AI算法🐖——|😘🐝：R-CNN,faster R-CNN,yolo,SSD,yoloV2 从YOLOv1到v3的进化之路 SSD-Tensorflow超详细解析【一】加载模型对图片进行测试 YOLO C#项目参考🦚|🕸：https:/希望你能满意🥊-——🏐。
YOLOv3🥍😾——-*😟，作为YOLO家族的巅峰之作😰|🤪*，集大成者🌞🥏|-😧🐚，它的革新之处在于融合了FPN网络解析🦛💐_🌜，从而在保持速度优势的同时😌🌗|🐹，实现了更精准的物体检测🐳-*。让我们一起探索这款深度学习检测模型的奥秘😇-|🦭😷。首先*|🐹🥎，YOLOv3通过引入深基底backbone——darknet-53和轻量级版本tiny darknet💮🌱-🏏，兼顾了速度与精度🐰|🌎。这一设计使得模型既能捕捉好了吧🌻🎾|-🐺！
目标检测-YOLOv3?？
YOLOv3采用了更深的骨干网络DarkNet53🐣🐣__🦃🌙，并加入多尺度预测😸🐤-🌲。在COCO数据集上聚类得到9种不同尺度的锚框🔮|_🥅，并在分类上使用sigmoid激活函数🏒☺️——🤩🛷，实现了对多类别的支持🤤-|🌛🖼。YOLOv3的优势在于速度快🦙💀_🃏、性价比高🐽|🥊😆、适用性广🐘👹-🐕🐦，但缺点是召回率相对较低🎫|💐，定位精度较差👹-😳🦮，对紧密或遮挡的小目标检测能力有限🐅-🐞。YOLOv3对v1进行了后面会介绍🐗——_🐩🏏。
直接预测框的宽高会导致训练时不稳定的梯度问题🏵——**，因此🐲——🐫，现在的很多目标检测方法使用log空间转换或者简单的偏移（offset）到称为锚框的预定义默认边界框🐄_🐥。然后将这些变换应用到锚框以获得预测🐇|🐍，YOLOv3具有三个锚框🪴|🌾🤯，可以预测每个单元格三个边界框🐣_——🤒🐷。#160; &说完了🛷|_🏆。
关于YOLOv3的一些细节?？
所以😦————🎫，下文中所有提到的YOLO,如非特别说明😮🏅-——😡，均指YOLOv3🐒🌚-🐋。如果需要了解更多对象检测算法🦑——_🌘，可以参考以下部分相关论文🐁🐊-_🐈： R-CNN Fast R-CNN Faster R-CNN SSD YOLOv1 YOLOv2 YOLOv3 RetinaNet 最新关于对象检测的综述文献可以参考这篇论文🥀-_🐋💐： Deep Learning for Generic Object Detection: A Survey 在YOLO后面会介绍🦉🐂-——🦕。
YOLOv3使用了更加深的骨干网络DarkNet53🐙_🪢🌾，同时加入了多尺度预测🦅_-🐽，在COCO数据集上聚类🥏🎲||🦒；9中不同尺度的anchor🥇|-🐐🤓，在分类上使用sigmoid激活函数🐆😺|😡，支持了目标的多分类🦋🦗————🐭。YOLOv3的优点是推理速度快🐈⬛-😣🥌，性价比高🌸*--🦖🦙，通用性强🎆|🐼💐；缺点是召回率较低🐕——_🤐🐖，定位精度较差😬🪄——🖼🐑，对于靠近或者遮挡的群体🍁|🤪、小物体的检测能力相对较弱🎃_🐼🤔。YOLO等会说🦝|——🐂。
YOLOV3简介?？
🦈-🕊，373x326)*|-🥋。logistic回归用于对anchor包围的部分进行一个目标性评分(objectness score)🪢🙃-|😲，（用于NMS）🤡——_🐃，即这块位置是目标的可能性有多大😨——🐌。yolo_v3只会对1个prior进行操作🦒*_🐭*，也就是那个最佳prior🥌🐓-🦃。而logistic回归就是用来从9个anchor priors中找到objectness score(目标存在可能性得分)最高的那一个🦡————🐖*。
6.拼合以后我们看到到了F位置😰😁|-😜😀，注意F位置的尺寸 (batch_size,26,26,75)🤯_-🦣，分类数是70 🕹😐-——🐐🎭，这里却是75🏅_🦕🌜，多出来的五个就是☺️🐈_😼☁️，x,y,w,h,conf(是物体与不是物体的判断)🐌☀️——|🐝🌒。7.YOLO层是一个预测值和Lables目标值相减求损失的层😒🌑_-🎊。yolov3一共有三个YOLO层分别去训练网络🦔🐃_*，为什么有三个🌱🌚-——*，较小的后面会介绍🦔_——🦐🐕🦺。