YOLOv3网络结构

YOLOv3网络结构

目标检测-YOLOv3 -
YOLOv2在v1的基础上进行了改进，采用了DarkNet19作为骨干网络，并将输入图片尺寸从224增加到448。网络结构变为全卷积网络，并应用批量归一化。使用Kmeans聚类计算锚框，引入多尺度训练以学习不同尺度图像。但仍存在小目标召回率低、密集目标检测效果不佳以及检测精度有待提高的问题。YOLOv3采用了更深的骨等我继续说。
YOLO v3在预测物体概率时，选择sigmoid函数而非softmax，因为sigmoid允许概率累加，这在物体分类时更为合适。模型在三个不同尺度（32、16、8）下进行预测，通过上采样和下采样技术优化小物体的检测。每个尺度下有3个锚点，总计9个，以提高检测精度。输出处理中，通过置信度阈值筛选和非最大值抑制（NMS）..
...检测算法(R-CNN,fastR-CNN,fasterR-CNN,yolo,SSD,yoloV2,yoloV3)
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。yoloV3在准确率和速度方面都有显著提升，是目前目标检测领域的主流算法之一。总之，目标检测算法的发展经历了多个阶段，从最初的R-CNN，到后来的Fast R-CNN、Faster R-CNN，再到yolo、SSD、yolo后面会介绍。
，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。
目标检测-YOLOv3 -
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等我继续说。
目标检测的常用框架可以分为两类，一类是two-stage/two-shot 的方法，其特点是将兴趣区域检测和分类分开进行，比较有代表性的是R-CNN，Fast R-CNN，Faster R-CNN；另一类是one-stage/one-shot 的方法，用一个网络同时进行兴趣区域检测和分类，以YOLO（v1,v2,v3）和SSD为代表。Two-stage的方式到此结束了？。
YOLO 目标检测实战项目『原理篇』 -
7. YOLOv2通过多尺度特征图检测和Pass Through层等方法，进一步提高了检测精度和速度。8. 尽管YOLOv2在性能上有了显著提升，但仍有一些问题需要解决，例如对重叠物体的分类问题。9. 实验表明，Darknet-53网络结构在性能和速度上优于ResNet-101和ResNet-152，显示出其良好的设计。10. YOLOv3进一步改进等会说。
因此在YOLO v3 在网络结构中把原先的softmax 层换成了逻辑回归层，从而实现把单标签分类改成多标签分类。用多个logistic 分类器代替softmax 并不会降低准确率，可以维持YOLO 的检测精度不下降。对于对象检测，不仅要考虑精度，还要考虑实时运行的性能，虽然现在算力大幅度上升，但是普通的设备跑起来还是有点吃力。

猜你感兴趣： YOLOv3网络结构   yolov3网络结构改进   yolov3网络结构分析 霹雳吧啦   yolov3网络结构由构成   yolov3网络结构图   yolov3tiny网络结构   yolov1网络结构图详解   yolov4网络结构   yolov2网络结构   yolov5网络结构