yolov3改进了yolov1和v2的缺点,是速度和精度最均衡的目标检测网络,重点解决了小物体检测的问题网络
Yolov3改进策略
①更好的主干网络(类ResNet)框架
②多尺度预测(类FPN)blog
- 聚类来获得Bbox的先验,选择9个簇以及3个尺度
- 将这9个簇均匀的分布在这3个尺度上
③更好的分类器ip
binary cross-entropy loss源码
- Softmax不适用于多标签分类
- Softmax可被独立的多个logistic分类器替代,且准确率不会降低
Darknet框架
Yolov3的源码是采用darknet框架来完成的pip
注意区分这个darknet框架和yolov3的darknet-19网络效率
- 由C语言和CUDA实现GPU显存利用效率较高
- 第三方库的依赖较少
- 容易移植到其它平台,如Windows或嵌入式设备
- Yolo主页:https://pireddie.com/darknet/yolo/
Yolo系列网络优缺点
优势方法
- 快速,pipline简单
- 背景误检率低
- 通用性强
但相比RCNN系列物体检测方法,YOLO具备如下缺点:im
- 识别物体位置精准性差
- 召回率低