目標檢測系列文章
yolo v1原理：https://blog.csdn.net/cjnewstar111/article/details/94035842
yolo v2原理：https://blog.csdn.net/cjnewstar111/article/details/94037110
yolo v3原理：https://blog.csdn.net/cjnewstar111/article/details/94037828
SSD原理：https://blog.csdn.net/cjnewstar111/article/details/94038536
FoveaBox：https://blog.csdn.net/cjnewstar111/article/details/94203397
FCOS：https://blog.csdn.net/cjnewstar111/article/details/94021688
FSAF: https://blog.csdn.net/cjnewstar111/article/details/94019687

基本原理：

相對于yolo v2，yolo v3做了如下改進：

更換了backbone網絡，使用darknet53,沒有pool層，全部使用卷積，降采樣5次

使用類似于FPN的技術，融合多層特征預測

對分類和置信度使用二分類交叉熵（v1和v2全部使用MSE）

?

網絡結構：

?

實現細節：

正負樣本的確定：

對于正樣本，以GT來找。某一個GT對應的cell里面，最大IOU的那個anchor作為正樣本訓練。然后對于負樣本，需要計算其與anchor的最大IOU，如果最大IOU大于閾值（例如0.5），那么就不會把它當做負樣本。這可以載一定程度上緩解正負樣本比例失調的問題。

anchor值：

v2當中的anchors值使用相對于特征圖的cell的倍數表示，v3當中使用絕對像素表示。

數據增強：

hsv抖動，放射變換以及flip（左右鏡像）來做數據增強

?

參考資料：

yolo系列之yolo v3【深度解析】

來自 <https://blog.csdn.net/leviopku/article/details/82660381>

YOLO v3網絡結構分析

來自 <https://blog.csdn.net/qq_37541097/article/details/81214953>

YOLOv3 深入理解

來自 <https://www.jianshu.com/p/d13ae1055302>

總結

以上是生活随笔為你收集整理的yolo v3原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。