写在前面

安利一个神器，真神器从不bb，直接上图。

写在前面

在github上给一个hexo的开源项目（hexo-filter-github-emojis¹）提交issue和pr期间翻了翻作者大佬的博客，发现了这个好东西嘻嘻。

写在前面

论文原文：YOLOv3: An Incremental Improvement

参考的一些大佬们的翻译，这篇论文的翻译在网上已经算很多的了，po上来纯粹是为了记录。

以下是翻译正文

摘要

我们推出了YOLO的一些更新！我们做了一篮子微小的设计上的改变来让YOLO变得更好。我们同时也把这个新网络训练得更臃肿了。它虽然比上一版本大了一点，但更加准确。别担心，它依然很快。在320x320的分辨率28.2mAP上YOLOv3跑出了22ms，跟SSD准确率一样但比它快三倍。用老旧的0.5 IOU mAP检测标准来衡量，YOLOv3很吼了。在Titan X上它达到了57.9 \(AP_{50}\) 推断时间（inference time）51ms以内，对比RetinaNet的57.5 \(AP_{50}\)推断时间198ms，性能相当但相比快了3.8倍。照旧，所有的代码都在https://pjreddie.com/yolo/。

目的及意义（含国内外的研究现状分析）

研究目的

本毕业设计拟针对自动驾驶数据集BDD100K，针对物体检测算法YOLOv3提出一种改进思路，以提高算法在此数据集上的物体检测性能。

研究意义

计算机视觉中物体的检测、跟踪、识别是最基本的几个目标，而其中又以物体检测最为重要和基础。物体检测广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。不仅如此，物体检测同时也是泛身份识别领域的一个基础性的算法，它对后续的人脸识别、步态识别、人群计数、实例分割等任务也起着至关重要的作用。

设计（论文）主要内容

1. 前期知识储备：

   首先深入学习并理解物体检测算法YOLOv3，掌握物体检测的任务、方法与评价指标，理解YOLOv3算法所使用的主干网（backbone network）、bounding box priors、bounding box分类与定位等技术细节。

2. 系统功能：

   ​ 针对自动驾驶数据集BDD100k，改进YOLOv3算法，提高算法在此数据集上的物体检测性能。应基于对BDD100k数据集中bounding box大小的分布，确定适合此数据集的bounding box priors；基于数据集中物体位置的分布特征，确定合适的检测策略；基于对不同类别物体的分布特征分析，逐类别提高算法的检测性能（可选）；设计合适的输入预处理方法，充分利用图像的高分辨率提高算法的物体检测性能；设计对夜景图像的有效处理方法（可选）。

3. 文档：

   ​ 完成YOLOv3改进算法的设计、编码实现及调试、测试、分析工作后，应提供相应的算法设计、实现与分析文档。

写在前面

https是个好东西，而且写在基本上都是免费申请证书了，之前一直说要写一篇这个的教程，搞起来啊诸位（我来还债了）。

放一张效果图

前言

说了很久要写一篇总结，拖到现在才写真是罪过啊。

说起来最近是真的有些疲惫了。

加油呐 👊

哦这篇文章仅用于给我自己总结，所以不太推荐阅读。当然如果能帮助到你的话我会很开心，但是我的确质疑这篇文章的实用性，所以看官们随意。

不接受任何人身攻击。