详细内容或原文请订阅后点击阅览
YOLOv3 论文演练：更好，但没那么好
从头开始在 YOLOv3 架构上的 PyTorch 实现 YOLOv3 论文演练：更好，但没那么好，首先出现在 Towards Data Science 上。
来源:走向数据科学是最先进的目标检测算法，由于 SSD（单镜头多框检测器）、DSSD（反卷积单镜头检测器）和 RetinaNet 等其他方法的出现，它看起来已经过时了。最后，在 YOLOv2 推出两年后，作者决定改进该算法，最终提出了题为“YOLOv3：增量改进”[1] 的论文中报告的下一个 YOLO 版本。正如标题所暗示的那样，在底层算法方面，作者对 YOLOv2 的改进确实不多。但是，嘿，当谈到性能时，它实际上看起来相当令人印象深刻。
在本文中，我将讨论作者对 YOLOv2 进行的修改以创建 YOLOv3，以及如何使用 PyTorch 从头开始实现模型架构。我强烈建议您在阅读本文之前阅读我之前关于 YOLOv1 [2, 3] 和 YOLOv2 [4] 的文章，除非您已经对 YOLO 的这两个早期版本的工作原理有了坚实的基础。
是什么让 YOLOv3 比 YOLOv2 更好
香草 Darknet-53
作者所做的修改主要与架构有关，其中他们提出了一个称为 Darknet-53 的骨干模型。该网络的详细结构如图 1 所示。顾名思义，该模型是对 YOLOv2 中使用的 Darknet-19 的改进。如果数一下Darknet-53的层数，你会发现这个网络由52个卷积层和最后一个全连接层组成。请记住，稍后当我们在 YOLOv3 上实现它时，我们将向其提供尺寸为 416×416 的图像，而不是图中所示的 256×256。
带检测头的 Darknet-53
多标签分类
修改后的损失函数
一些实验结果
YOLOv3架构实现
# 代码块 1