Yolo v3 Introduction to object detection with TensorFlow 2

距离YOLO v4 的推出，已经过去 5 个多月。YOLO 框架采用 C 语言作为底层代码，这对于惯用 Python 的研究者来说，实在是有点不友好。因此网上出现了很多基于各种深度学习框架的 YOLO 复现版本。近日，就有研究者在 GitHub 上更新了基

目标检测——从RCNN到Faster RCNN 串烧。RCNN-将CNN引入目标检测的开山之作。SPPNet-引入空间金字塔池化改进RCNN

darknet是一个基于c与cuda轻量级深度学习框架，编译部署简单，移植性好，适合初学者上手。下面来介绍一下dark的安装和简单使用。YOLO是基于深度学习的端到端的实时目标检测系统。

在之前的文章中，介绍了计算机视觉领域中目标检测的相关方法——RCNN系列算法原理，以及Faster RCNN的实现。使用YOLO算法最大优的点是速度极快，每秒可处理45帧，也能够理解一般的对象表示。

计算机视觉领域中，目标检测一直是工业应用上比较热门且成熟的应用领域，比如人脸识别、行人检测等，国内的旷视科技、商汤科技等公司在该领域占据行业领先地位。在本教程中，将学习如何使用YOLO、OpenCV和Python检测图像和视频流中的对象。

在WWDC 2017上，苹果首次公布了机器学习方面的动作。iOS系统早已支持Machine Learning 和 Computer Vision ，但这次苹果提供了更合理，容易上手的API，让那些对基础理论知识一窍不通的门外汉也能玩转高大上的前沿科技。这篇

YOLO全名You only look once，是一个用于摄像头的实时目标检测系统。它能分辨出6000种物体，可在Titan X显卡上以40-90FPS的帧率处理视频。不过，YOLO所输出的置信度数值，并非针对它所要识别的目标，而是目标框形状的契合程度。

在之前的文章中，介绍了计算机视觉领域中目标检测的相关方法——RCNN系列算法原理，以及Faster RCNN的实现。它将整个图像放在一个实例中，并预测这些框的边界框坐标和及所属类别概率。使用YOLO算法最大优的点是速度极快，每秒可处理45帧，也能够理解一般

计算机视觉领域中，目标检测一直是工业应用上比较热门且成熟的应用领域，比如人脸识别、行人检测等，国内的旷视科技、商汤科技等公司在该领域占据行业领先地位。在本教程中，将学习如何使用YOLO、OpenCV和Python检测图像和视频流中的对象。

你肯定很少见到这样的论文，全文像闲聊一样，不愧是YOLO的发明者。物体检测领域的经典论文YOLO的两位作者，华盛顿大学的Joseph Redmon和Ali Farhadi最新提出了YOLO的第三版改进YOLO v3，一系列设计改进，使得新模型性能更好，速度

我希望你在你的系统中安装python3。你应该有Python3，tensorflow 1.0 / tensoflow-gpu，numpy，opencv 3.有很多简单的资源可以在线安装这些模块。克隆此存储库后，打开您的终端并使用此命令安装cython。安装

我假设您卷积神经网络，对象检测，YOLO v3架构等以及Tensorflow和TF-Slim框架。如果没有，最好从相应的论文/教程开始。我不会解释每一行的作用，而是提供工作代码，解释我偶然发现的一些问题。我们从yolo_v3.py文件开始，在这里我们将放置

不久之前，亚马逊刚刚推出了DeepLens 。这是一款专门面向开发人员的全球首个支持深度学习的摄像机，它所使用的机器学习算法不仅可以检测物体活动和面部表情，而且还可以检测类似弹吉他等复杂的活动。虽然DeepLens还未正式上市，但智能摄像机的概念已经诞生了