超级会员免费看
本文详细介绍了YOLOv3在YOLOv1和YOLOv2基础上的改进，包括Bounding Box Prediction的得分逻辑、Class Prediction的多标签分类法、Predictions Across Scales的多尺度检测以及Feature Extractor中采用的Darknet-53网络结构。通过这些改进，YOLOv3提升了对小物体的检测效果和整体的mAP。
文章目录
对YOLO系列感兴趣的，可以跳转我另外两篇博文
DeepLearing—CV系列（八）——多类多目标物体的侦测——YOLO系列之YOLOv1算法详解与
DeepLearing—CV系列（十）——多类多目标物体的侦测——YOLO系列之YOLOv2、YOLO9000算法详解，本篇YOLOV3博文是在YOLOV1,YOLOV2的基础上所写，默认大家有了YOLO的基础。
一、YOLOv3的改进
1.1 Bounding Box Prediction（回归框预测）
YOLOv3用逻辑回归从每个bounding box里预测了是物体的得分。如果当前预测的边界框比之前其他的任何边界框更好的与 ground truth 对象重合，那它的分数就是 1。如果当前预测的边界框不是最好的，但它和 ground truth 对象重合了一定的阈值以上，神经网络会忽略这个预测。我们使用的阈值是 0.5。我们的系统只为每个 ground truth 对象分配一个边界框。如果当前的边界框未分配给相应的 ground truth
订阅专栏 解锁全文
13万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
