yolov3什么时候出来的

YOLOv3是Joseph Redmon于2018年4月发布的，融合多种先进方法，旨在改进YOLOv1和v2的缺点，以实现速度与精度最均衡的目标检测网络。其设计思想与核心组件包括以下几个方面：网络结构方面，YOLOv3采用了Darknet-53作为主干网络，用于提取特征。它还利用了多尺度特征图和多重尺度的方法，以增强模型对不同尺度...

yolo v3是2018年出来的，比SSD和retinanet都要晚，在map0.5这个指标上速度比SSD和retinanet快很多。在工业应用上面map0.5已经满足使用，并且yolo v3简介，文档丰富，还有tiny版本等一些列变种。最重要的是速度非常快，比SSD和retinanet都要快。YOLOv3 的提出不是为了解决什么问题，整篇论文其实是技术报告。

从图中可以看出，Joseph Redmon于2015年提出YOLO算法是的单阶段目标检测算法的开山鼻祖，跟R.Girshick于2014年提出的RCNN系列两阶段目标算法一起引领基于深度学习的目标检测算法的发展。YOLO系列算法是一种能满足实时检测要求(FPS > 30)的高精度算法，如下图所示，所以受到广大工程应用人员的青睐， 在实际...

YOLO，即"You Only Look Once"，是一种由Joseph Redmon和Ali Farhadi在华盛顿大学开发的著名目标检测模型。其最初版本YOLOv1在2015年发布，因其高速和相对准确的性能而迅速走红。YOLO将目标检测视为回归问题，通过一次网络评估直接从图像中预测边界框和类别概率，实现了端到端优化，显著提高了检测速度。YOL...

7. yoloV3算法：yoloV3是yoloV2的升级版，它采用了更深的网络结构，并引入了新的损失函数和数据增强策略。yoloV3在准确率和速度方面都有显著提升，是目前目标检测领域的主流算法之一。总之，目标检测算法的发展经历了多个阶段，从最初的R-CNN，到后来的Fast R-CNN、Faster R-CNN，再到yolo、SSD、yolo...

YOLOv3则在模型结构上进行调整，采用逻辑回归预测边界框的objectness score，同时保持了多标签分类策略，进一步提升了检测的准确性与速度。YOLOv4是对YOLOv3的全面优化，融合了多种检测技巧，并通过实验筛选出最有效的组合。它不仅改进了模型结构，还优化了训练策略，使得YOLOv4在速度与精度之间实现了更好的...

RetinaNet在2017年则通过Focal Loss解决了一阶段模型的类别不平衡问题，提升了精度与速度。YOLOv3和YOLOv4则是这一系列中的重要里程碑，YOLOv3通过加深网络结构和引入FPN，YOLOv4则实现了更优的速度和准确性，并在实时检测上取得了突破。EfficientDet在2019年探索了模型精度与分辨率、深度和宽度的关系，构建出...

YOLOv5, 一款由Ultralytics公司在2020年6月9日推出的先进模型，是对YOLOv3的优化升级，共包括YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x四种不同规模的版本。该模型由骨干网络、颈部和头部构成，旨在提高检测精度与速度。（1）核心的骨干网络由Focus、BottleneckCSP和SSP网络组成。以640*640*3的图片为输入，...

FPN（Feature Pyramid Network）的加入是YOLOv3的一大亮点。它构建了一座特征金字塔，融合了不同尺度和宽高比的边框信息。这个结构包括CBL模块、Res unit残差结构和ResX组件，通过Concat和add操作无缝连接深层和浅层特征，为多尺度物体检测提供了强大支持。三个关键尺度的特征图——13x13、26x26和52x52，...

，(373x326)。logistic回归用于对anchor包围的部分进行一个目标性评分(objectness score)，（用于NMS），即这块位置是目标的可能性有多大。yolo_v3只会对1个prior进行操作，也就是那个最佳prior。而logistic回归就是用来从9个anchor priors中找到objectness score(目标存在可能性得分)最高的那一个。