yolo v3入门
只有Whe-Look-一次（Yolo）V3对象检测器是一个多尺度对象检测网络，它使用特征提取网络和多个检测头来在多个尺度处进行预测。
YOLO V3对象检测模型在输入图像上运行深度学习卷积神经网络（CNN），以产生来自多个特征映射的网络预测。对象探测器聚集并解码预测以生成边界框。
预测图像中的对象
YOLO V3使用锚盒来检测图像中的对象的类。有关更多详细信息，请参阅用于物体检测的锚盒。YOLO V3预测每个锚盒的这三个属性：
联盟（iou）交叉口 - 预测每个锚箱的对象得分。
锚箱偏移 - 优化锚箱位置
类概率 - 预测分配给每个锚框的类标签。
该图示出了特征图中的每个位置处的预定义锚箱（虚线），并在偏移后施加偏移后的精细位置。匹配的盒子含有颜色。
设计YOLO V3检测网络
要设计YOLO V3对象检测网络，请按照下列步骤操作。
使用特征提取网络启动模型。特征提取网络用作创建YOLO V3深度学习网络的基础网络。基础网络可以是预制或未训练的CNN。如果基础网络是备用网络，则可以执行转移学习。
使用卷积，批量归一化和Relu层创建检测子网。将检测子网添加到基础网络中的任何图层。连接到检测子网的输入的输出层是检测网络源。来自特征提取网络的任何层都可以用作检测网络源。要使用多尺度功能进行对象检测，请选择不同尺寸的特征图。
要手动创建YOLO V3深度学习网络，请使用深网络设计师（深度学习工具箱）应用程序。以编程方式创建YOLO V3深度学习网络，使用yolov3objectdetector目的。
转移学习
要执行转移学习，您可以使用预先使用的深度学习网络作为YOLO V3深度学习网络的基础网络。通过指定锚框和新对象类来配置yolo v3深度学习以进行新数据集训练。使用yolov3objectdetector对象从任何预先训练的CNN创建YOLO V3检测网络，如挤压并进行转移学习。有关佩带的CNN列表，请参阅普里德深度神经网络（深度学习工具箱）。
用YOLO V3模型训练对象检测器并检测对象
要了解如何通过使用深度学习网络作为基础网络和用于对象检测的训练，了解如何创建自定义YOLO V3对象探测器，请参阅物体检测使用YOLO V3深度学习例子。
深度学习标签培训数据
你可以使用图像贴标器那视频贴图， 或者地面真理贴标机（自动驾驶工具箱）应用程序以交互方式标记像素并导出标签数据进行培训。该应用程序还可用于标记对象检测的矩形感兴趣区域（ROI），用于图像分类的场景标签，以及语义分割的像素。要从任何贴标程序创建导出地面真相对象的培训数据，您可以使用ObjectDetortRaringData.或者PixellabeltrainingData.职能。有关更多详细信息，请参阅对象检测和语义分割的培训数据。
参考
[1] Redmon，Joseph和Ali Farhadi。“YOLO9000：更好，更快，更强。”在2017年电脑视觉和模式识别的IEEE会议（CVPR），6517-25。檀香山，嗨：ieee，2017. https://doi.org/10.1109/cvpr.2017.690。
[2] Redmon，Joseph，Santosh Divvala，Ross Girshick和Ali Farhadi。“你只看一次：统一，实时对象检测。”计算机愿景和模式识别（CVPR），779-788的IEEE会议的诉讼程序。拉斯维加斯，NV：CVPR，2016年。
也可以看看
应用
对象
职能
相关例子
更多关于
- 用于物体检测的锚盒
- 在Matlab中深入学习（深度学习工具箱）
- 普里德深度神经网络（深度学习工具箱）
您还可以从以下列表中选择一个网站：
