目標檢測演算法與efficientdet講解
論 文 翻譯
yolov3主頁：
下圖為yolov3的網路結構
dbl(darknetconv2d_bn_leaky)：是 yolov3 的基本元件。就是卷積 + bn + leaky relu
res_unit：dbl + dbl add
resn：n 代表數字有 res1、res2…res8 等等，表示這個 res_block 裡含有多少個 res_unit。參考 resnet
concat：張量拼接。將 darknet 中間層和後面的某一層進行拼接。拼接的操作和殘差層 add 是不一樣，拼接會擴張張量的維度，而 add 只是直接相加，不會導致張量維度的改變
yolov3使用了 darknet53 前面的52層，yolov3這個網路是乙個全卷積網路大量使用殘差的跳層連線，並且為了降低池化帶來的梯度負面效果，作者直接屏棄了 pooling ,用 conv 的 stride 來實現降取樣。在這個網路結構中使用的是步長為2的卷積來降取樣 為了加強演算法對小目標檢測的精確度，yolov3中採用類似 fpn 的 upsample 和融合做法（最後融合了3個scale其他兩個scale的大小分別是 26*26、52*52），在多個 scale 的 feature map 上做檢測 作者在3條**支路採用的也是全卷積的結構，其中最後乙個卷積層的卷積核個數是255，是針對coco資料集的80類：3*(80+4+1)=255，3表示乙個grid cell包含3個bunding box，4表示框的4個座標資訊，1表示objectness score.
``所謂多尺寸就是來自這三條**之路，y1、y2、y3的深度都是255邊長的規律是13:26:52。yolov3設定的是每個網路單元**3個box，所以每個box需要有（x,y,w,h,confidence）五個基本引數，然後還要有80個類別的概率。所以3*(80+4+1)=255
v1、v2、v3是如何來的
–未完待續
參考
一文看懂yolo v3
yolo系列之yolo v3【深度解析】
yolov3的缺點 yolov3特點總結
p1，yolov3，簡單總結下比較特別的地方 1.bounding box 中心值x,y的 是通過乙個sigmoid 函式，來 在每乙個單元 cell 的相對位置。而不像普通那種 乙個相對於anchor的offset。然後bbox 損失是用的mse 一般都是用smooth l1 3.類別 沒有使用s...
yolov3檢測人頭 基於yolo v3的人臉檢測
一 實驗環境的搭建 1.安裝環境配置 python 3.6 tensorflow gpu 1.6.0 keras pillow opencv python matplotlib numpy 沒有通過pip安裝 例如 pip install keras 2.啟動虛擬環境，並且安裝對應的實驗環境 3.模...
yolov3損失函式改進 yolov3 損失函式
yolov3 損失函式主要分為loss xy,loss wh,loss confidence,loss class loss xy darknet與kreas稍有不同。darknet是sse，kreas是二值交叉熵。一種解釋如下 bounding box回歸是square error loss，分類...