使用yolo-v3和yolov3-tiny训练自己的数据yolov3的官网：教程官网都有，老详细了。

（FasterRCNN中阈值为0.7，YOLO-V3阈值为0.5）。每一个真实目标只会指定与一个默认框匹配，其余的框

YOLO-v3阅读笔记【UPDATE】读了一篇写得很好的文章，结合源码很容易理解。

学习这一篇课程之前，就听说过YOLO的大名。在疫情期间，有up主就通过yolo训练出了对行人口罩的检测并且大获成功，没成想今天有幸学习到。废话不多说，直接开始学习。目标检测中的基础概念在开始学习YOLO之前首先行该学习目标检测的一些基础概念，毕竟YOLO也时目标检测的模型啊。边界框边界框（boundingbox，bbox）就是图像上恰好可以框住检测物体的矩形框。例如图中绿色的矩形框，都是恰好框住被

模型设计思想产生候选区域生成锚框生成预测框对候选区域进行标注标注锚框是否包含物体标注预测框的位置坐标标签标注锚框包含物体类别的标签标注锚框的具体程序卷积神经网络提取特征根据输出特征图计算预测框位置和类别建立输出特征图与预测框之间的关联计算预测框是否包含物体的概率计算预测框位置坐标计算物体属于每个类别概率损失函数单阶段目标检测模型YOLO-V3

负数据的引入想要引入负数据，使网络具有更好的鲁棒性，我们首先需要明确的是如何计算Loss，然后再将负数据在网络中的效果添加到Loss计算中Loss首先明确，网络中含训练集和测试集，具体是图片与归一化之后的数据（存放于特定的txt文件中）。1.读取数据读取数据的函数位于datasets.py中：def__init__(self,list_path,img_size=416,augment=True,

重捋一遍YOLO-V3代码代码复写加记录训练需要的文件或函数utils.pyyolov3_model后记@如有侵权，联系我删除代码复写加记录代码来自qqwweee，以及看了另一个博主Bubbliiiing

计算机视觉：单阶段目标检测模型YOLO-V3单阶段目标检测模型YOLO-V3YOLO-V3模型设计思想产生候选区域生成锚框生成预测框对候选区域进行标注标注锚框是否包含物体标注预测框的位置坐标标签标注锚框包含物体类别的标签标注锚框的具体程序单阶段目标检测模型

计算机视觉：基于YOLO-V3林业病虫害目标检测卷积神经网络提取特征根据输出特征图计算预测框位置和类别建立输出特征图与预测框之间的关联计算预测框是否包含物体的概率计算预测框位置坐标计算物体属于每个类别概率损失函数多尺度检测开启端到端训练预测模型效果及可视化展示卷积神经网络提取特征在上一节图像分类的课程中

❝上期我们一起学了YOLO-V2的算法结构以及跟YOLO-V1比起来有哪些优缺点，如下：目标检测算法YOLO-V2详解今天我们看下在YOLO-V2版本上改进的YOLO-V3算法，到底做了哪些优化？

1.一个ubuntu18.04的启动盘2.打开命令行终端3.sudoapt-getupdate这个命令，会访问源列表里的每个网址，并读取软件列表，然后保存在本地电脑。我们在新建立得软件包管理器里看到的软件列表，都是通过update命令更新的。sudoapt-getinstallopenssh-server在linux系统操作中，经常需要连接其他的主机，连接其他主机的服务是openssh-serve

批量将yolo-v3检测结果在原图上画矩形框显示在通过yolo-v3训练自己模型操作参考：训练模型并得到测试结果将测试结果转化为一张图片对应一个txt检测结果的形式后操作参考：测试并转化测试结果如果想要直观得查看检测结果需要将检测结果得矩形框叠加到原图上并保存

但是，升级之后得到的YOLO-v3也是一样的快。在分辨率320∗320320*320320∗320的情况下运行只需要22ms且拥有28.2mAP，比同精度SSD快三倍。

总之，论文结合各种最新trick来改进yolo-v3，效果还是很强的.我的个人博客贡献如原

代码结构构建网络，级联三个尺度的输出（相对于gridcell）decode：网络输出转换为原图尺度边界框损失置信度损失分类损失代码展示importnumpyasnpimporttensorflowastfimportcore.utilsasutilsimportcore.commonascommonimportcore.backboneasbackbonefromcore.configimport

个人微信公众号：AI研习图书馆ID：（Art-Intelligence）欢迎关注，交流学习，共同进步~目标检测：YOLO-V3算法实现1.引言论文：YouOnlyLookOnce:Unified,Real-TimeObjectDetection

返回主目录返回目标检测史目录上一章：深度篇——目标检测史(七)细说YOLO-V3目标检测之代码详解论文地址：https://arxiv.org/pdf/1904.08900.pdf原码地址：https:

一、下载和测试模型1.下载YOLO-v3gitclonehttps://github.com/qqwweee/keras-yolo3.git这是在Ubuntu里的命令，windows直接去https://github.com/qqwweee/keras-yolo3下载、解压。得到一个keras-yolo3-master文件夹2.下载权重wgethttps://pjreddie.com/media/

importnumpyasnpimportrandomimportargparseimportos#参数名称parser=argparse.ArgumentParser(description='使用该脚本生成YOLO-V3

对于计算机视觉爱好者来说，YOLO(YouOnlyLookOnce)是一个非常流行的实时目标检测算法，因为它非常快，同时性能非常好。在本文中，我将共享一个视频处理的代码，以获取视频中每个对象目标的边框。我们将不讨论YOLO的概念或架构，因为很多好的文章已经在媒体中详细阐述了这些知识点。这里我们只讨论函数代码。开始谷歌Colab地址：https://colab.research.google.com

yolo：youonlylookonce.（只看一次，速度快）数据处理筛选建议框（根据目标筛选形状和大小）在数据集中有一堆框，用K-Means聚类算法找到9个框，代表整个数据集。IMG_HEIGHT=416IMG_WIDTH=416CLASS_NUM=10ANCHORS_GROUP={13:[[51,22],[52,22],[53,22]],26:[[54,22],[55,22],[56,22]]

返回主目录返回目标检测史目录上一章：深度篇——目标检测史(六)细说YOLO-V3目标检测下一章：深度篇——目标检测史(八)细说CornerNet-Lite目标检测论文地址：《YOLO-V3》代码地址：tf_yolov3

这是YOLO-v3的大组件，YOLO-v3借鉴了ResNet的残差结构，使用这个结构可

使用PyTorch从零开始实现YOLO-V3目标检测算法(一)点击查看博客原文标检测是深度学习近期发展过程中受益最多的领域。

目标检测学习-YOLO-v3改进新的网络架构分类softmax改成logistic跨尺度的预测改进作者说自己玩了推特一年，没改进太多，不过也是有进步的，主要在三方面。

pytorch实现yolo-v3(源码阅读和复现)–001pytorch实现yolo-v3(源码阅读和复现)–002pytorch实现yolo-v3(源码阅读和复现)–003算法分析pytorch实现yolo-v3

YOLO-v4爬坑总结（ubuntu)yolo-v4的githubyolo-v4的论文yolo-v3的github一、安装1.下载mkdirYOLO-V4cdYOLO-V4gitclonehttps:/

Yolo-v3SlimYolo-v3模型精简化原因Yolo-v3模型PruneYolo-v3模型精简化原因最近一直在海思芯片3519A芯片基础架构上使用Yolo-v3作为检测网络进行目标检测研究，但即便使用

YOLO-V3实时目标检测官网：YOLO:Real-TimeObjectDetection下载源码gitclonehttps://github.com/pjreddie/darknetcddarknetmake

使用PyTorch从零开始实现YOLO-V3目标检测算法(三)点击查看博客原文这是从零开始实现YOLOv3检测器的教程的第3部分。第二部分中，我们实现了YOLO架构中使用的层。

代码结构Dataset类代码结构：初始化数据类，设置训练相关参数parse_annotation()：将图像和标签处理到特定尺度，以及相应的预处理preprocess_true_boxes()：进一步处理标签数据，具体见代码和注释代码解析importosimportcv2importrandomimportnumpyasnpimporttensorflowastfimportcore.utilsa

原文：https://blog.csdn.net/u011520516/article/details/80222743点击查看博客原文标检测是深度学习近期发展过程中受益最多的领域。随着技术的进步，人们已经开发出了很多用于目标检测的算法，包括YOLO、SSD、MaskRCNN和RetinaNet。在本教程中，我们将使用PyTorch实现基于YOLOv3的目标检测器，后者是一种快速的目标检测算法。该

使用pytorch从零开始实现YOLO-V3目标检测算法(二)博客翻译这是从零开始实现YOLOv3检测器的教程的第2部分。

目前手上有两块板子，TX2和Xavier，然后代码都很容易移植，下面附上用摄像头实时监测的代码，yolov3其实检测，主要就是调用摄像头的一些参数问题，记得好像（160,320）的图在xavier上有15Fpsimportsysimportargparsefromyolo_xieimportYOLO,detect_videofromPILimportImageimportcv2importosim

目录1、安装darknet2、整理数据集3、修改配置文件4、训练自己的数据集5、测试训练出的网络模型6、性能统计——计算mAP、画出PR曲线7、先验框聚类与修改8、YOLO-v3原理简单介绍备注：yolov3

本blog多处代码copy自https://blog.csdn.net/TYUT_xiaoming/article/details/102480016，主要记录自己实践中遇到的问题和自己的解决方案，按下面的流程走相信你能快乐地完成该任务~Step1PrepareYolo-v3代码forkfromhttps://github.com/eriklindernoren/PyTorch-YOLOv3Coc

原文：https://blog.csdn.net/u011520516/article/details/80222743点击查看博客原文标检测是深度学习近期发展过程中受益最多的领域。随着技术的进步，人们已经开发出了很多用于目标检测的算法，包括YOLO、SSD、MaskRCNN和RetinaNet。在本教程中，我们将使用PyTorch实现基于YOLOv3的目标检测器，后者是一种快速的目标检测算法。该

0.数据集的准备，采用voc格式的数据集，数据集格式VOCdevkit-VOC2007-JPEGImages-Annotations-ImageSets-Layout-Main-Segmentation就是VOCdevkit里面包含VOC2007；VOC2007里面包含Annotations，ImageSets，JPEGImages文件夹；ImageSets里面有Layout，Main，Segme

一.整体架构整体架构和YOLO-V3相同（感谢知乎大神@江大白），创新点如下：输入端-->Mosaic数据增强、cmBN、SAT自对抗训练；BackBone-->CSPDarknet53、Mish激活函数

YOLO-v3边框预测与回归模型说明yolo层前面的conv计算output参数说明yolo层Inference和回归计算yolo层计算和训练Logistics计算：检测框坐标计算：IOU计算：计算梯度

Darknet框架模型Inference过程的feature-map可视化说明简介步骤及代码说明本篇文章针对YOLO-v3官方提供的c语言版的darknet进行了修改（CPU模式）,添加了一些函数，进行可视化

一、总体概述  本次的任务是检测人体背部区域，可以当作单类目标检测任务。由于正在研究yolo系列网络，因此借助这次实验，将yolo系列的网络结构，训练细节和代码实现深入理解和熟悉。  该系列代码研究的为github上的tensorflow实现，链接如下：https://github.com/YunYang1994/tensorflow-yolov3.  在上述代码的基础上，本次实验修改了分类数量(

看了好几个博客，发现了些问题，有些博客是有bug的，此博客亲测无误。可视化中间参数需要用到训练时保存的log文件（命令中的路径根据自己实际修改）： ./darknetdetectortrainpds/fish/cfg/fish.datapds/fish/cfg/yolov3-fish.cfgdarknet53.conv.742>1|teevisualization/train_yolov3.log

YOLO-v3合并卷积层与BN层批量归一化-BN层(BatchNormalization)BN计算公式：合并卷积层与BN层：部分代码实现实验结果具体代码实现批量归一化-BN层(BatchNormalization

1、下载代码gitclonehttps://github.com/pjreddie/darknetcddarknetviMakefile#打开文件GPU=1#使用GPU训练CUDNN=0make遇到问题：nvcc找不到vi~/.bashrcexportPATH=$PATH:/usr/local/cuda-10.0/binexportLD_LIBRARY_PATH=$LD_LIBRARY_PATH:

1.在Windows下的配置（无GPU）+opencv3.2.0+VS2015具体操作参考入下连接https://blog.csdn.net/baidu_36669549/article/details/79798587AlexeyAB/darknet下载zip文件，解压进入D:\darknet-master\darknet-master\build\darknet，点击darknet_no_gp

yolo-v3github:https://github.com/pjreddie/darknet参考博客：YOLOv3ubuntu配置及训练自己的VOC格式数据集下载源码，编译。运行demo:a./darknetdetectcfg/yolov3.cfgyolov3.weightsdata/dog.jpgb./darknetdetectordemocfg/coco.datacfg/yolov3.c

适用于Windows和Linux的Yolo-v4和Yolo-v3/v2----（用于对象检测的神经网络）-TensorCore可以在Linux和Windows上使用PaperYolov4：https:/

tx、ty：预测的坐标偏移值，经过sigmoid变换。Cx、Cy：在本图是1，这样经过计算后，就得到了预测bbox的中心点坐标。tw、th：尺度缩放。bx、by：预测出的bbox的中心点坐标。通过计算得出。bw、bh：预测出的bbox的宽和长。通过计算得出。Pw、Ph：anchorbox经过缩小之后，映射到feature中的宽和高。1、yolov3中每个gridcell在featuremap中的宽

因特尔神经计算棒(NCS)+树莓派+yolo-v3实现object-detection踩了好多坑啊。。