本文深入探讨了YOLOv3目标检测算法，解释了其单阶段检测的特点，以及为何从YOLOv3开始学习的重要性。文章提到了YOLOv3的网络结构，包括Darknet-53、特征层融合和三个检测头，强调了不同尺寸特征图在减少锚框数量和提高检测性能上的创新。最后，概述了YOLOv3如何将输入图像转化为小得多的特征图，为后续的目标分类和检测做准备。
首先介绍一下yolo的名字来源：you only look once, 翻译过来就是你只需要看一次，所以显而易见yolov3是单阶段目标检测算法。
那么：1.为什么yolov3会成为“单”阶段目标检测算法而不是“二”阶段呢？
2.为什么yolov3会被关注？为什么我要从yolov3开始给大家讲？
3.yolov3相比于最开始的传统rcnn系列网络最精妙的地方你觉得是哪里？
带着这些问题，我们开始接下来的学习吧，学习完之后，在评论区留下你的答案吧！
注意我在这里直接开始了yolov3的讲解并没有说明目标检测的原理和现状，在后面我会讲rcnn系列，在那里我会从头开始讲，初学者建议从rcnn开始。
在yolov3出来之后yolo才被正式关注的，值得注意的是，往后的yolo(v4-v5)在整体架构上都与yolov3差别不大，所以了解yolov3是学习yolo系列算法不可缺少的一步。
YOLOv3算法的基本思想可以分成两部分：
YOLOV3框架如上图所示，其实，整个框架可划分为3个部分：分别为Darknet-53（实际只用了52层）结构&
最低0.47元/天 解锁文章
扫一扫
13万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
