YOLOv3目标检测实战系列课程

告知：YOLOv4来了！与YOLOv3相比，新版本的AP(精度)和FPS（每秒帧率）分别提高了10%和12%。有意学习新课程《YOLOv4目标检测实战：训练自己的数据集》的同学，请前往https://edu.51cto.com/course/22982.html。 YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。本课程将手把手地教大家使用labelImg标注和使用YOLOv3训练自己的数据集。课程分为三个小项目：足球目标检测（单目标检测）、梅西目标检测（单目标检测）、足球和梅西同时目标检测（两目标检测）。本课程的YOLOv3使用Darknet，在Ubuntu系统上做项目演示。包括：安装Darknet、给自己的数据集打标签、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算和画出PR曲线)和先验框聚类。Darknet是使用C语言实现的轻型开源深度学习框架，依赖少，可移植性好，值得深入探究。除本课程《YOLOv3目标检测实战：训练自己的数据集》外，本人推出了有关YOLOv3目标检测的系列课程，请持续关注该系列的其它课程视频，包括：《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》《YOLOv3目标检测：网络模型改进方法》下图是使用YOLOv3对足球和梅西同时进行目标检测的测试结果：

Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. （冗谈不够，放码过来！）。代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。 YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。YOLOv3的实现Darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。 本课程将解析YOLOv3的实现原理和源码，具体内容包括：l  YOLO目标检测原理l  神经网络及Darknet的C语言实现，尤其是反向传播的梯度求解和误差计算l  代码阅读工具及方法l  深度学习计算的利器：BLAS和GEMMl  GPU的CUDA编程方法及在Darknet的应用l  YOLOv3的程序流程及各层的源码解析 本课程将提供注释后的Darknet的源码程序文件。除本课程《YOLOv3目标检测：原理与源码解析》外，本人推出了有关YOLOv3目标检测的系列课程，包括：《YOLOv3目标检测实战：训练自己的数据集》《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》《YOLOv3目标检测：网络模型改进方法》建议先学习课程《YOLOv3目标检测实战：训练自己的数据集》或课程《YOLOv3目标检测实战：交通标志识别》，对YOLOv3的使用方法了解以后再学习本课程。

YOLOv3是一种基于深度学习的端到端实时目标检测方法，以速度快见长。本课程将学习YOLOv3的实现的darknet的网络模型改进方法。具体包括：• PASCAL VOC数据集的整理、训练与测试 • Eclipse IDE的安装与使用 • 改进1：不显示指定类别目标的方法 （增加功能） • 改进2：合并BN层到卷积层 （加快推理速度） • 改进3：使用GIoU指标和损失函数 （提高检测精度） • 改进4：tiny YOLOv3 （简化网络模型）• AlexeyAB/darknet项目介绍除本课程《YOLOv3目标检测实战：网络模型改进方法》外，本人推出了有关YOLOv3目标检测的系列课程，请关注该系列的其它课程，包括：《YOLOv3目标检测实战：训练自己的数据集》《YOLOv3目标检测实战：交通标志识别》《YOLOv3目标检测：原理与源码解析》在学习课程《YOLOv3目标检测实战：网络模型改进方法》前，建议先学习课程《YOLOv3目标检测实战：训练自己的数据集》和课程《YOLOv3目标检测实战：交通标志识别》之一和课程《YOLOv3目标检测：原理与源码解析》。