Visualize datasets, train YOLOv3, YOLOv5 and YOLOv8 🚀 models, and deploy them to real-world applications without writing any code. Transform images into actionable insights using our cutting-edge tools and user-friendly Ultralytics App .

摘要：yolo系列的目标检测算法可以说是目标检测史上的宏篇巨作，接下来我们来详细介绍一下yolo v3算法内容。 算法基本思想首先通过特征提取网络对输入特征提取特征，得到特定大小的特征图输出。

2024年1月19日 · YOLOv3是YOLO系列 目标检测算法 的第三个版本，由Joseph Redmon和Alexey Bochkovskiy于2018年发布。 在YOLOv2的基础上进行了改进，引入了一系列的变化以提高检测 性能。 在该论文中最主要的就是需要去理解它的 网络结构，像残差链接、多尺度训练 这两块内容，因为在原论文中相关细节其实说的并不清楚，所以自己在网上查阅了很多相关资料才能理解网络的设计思路与详细细节。 原论文传送门：【YOLOv3: An Incremental Improvement】 …

2018年4月8日 · At 320x320 YOLOv3 runs in 22 ms at 28.2 mAP, as accurate as SSD but three times faster. When we look at the old .5 IOU mAP detection metric YOLOv3 is quite good. It achieves 57.9 mAP@50 in 51 ms on a Titan X, compared to 57.5 mAP@50 in 198 ms by RetinaNet, similar performance but 3.8x faster.

YOLOv3 是约瑟夫-雷德蒙开发的YOLO （You Only Look Once）物体检测算法的第三次迭代，它以兼顾准确性和速度而著称，利用三种不同的比例（13x13、26x26 和 52x52）进行检测。YOLOv3-Ultralytics 是Ultralytics' YOLOv3 的改良版，增加了对更多预训练模型的支持，并方便了 …

2020年11月17日 · yolov3的预测原理是分别将整幅图分为13x13、26x26、52x52的网格，每个网络点负责一个区域的检测。 解码过程 就是计算得出最后显示的边界框的坐标bx,by，以及宽高bw,bh，这样就得出了边界框的位置，计算过程如图（b–为bounding box 缩写）

小结一下YOLOv3: YOLOv3是YOLO家族发展史上的一个里程碑。它通过引入多尺度预测和更强的Darknet-53骨干网络，成功地将YOLO系列的精度推向了一个新高度，尤其是在老大难的小目标检测问题上取得了显著进展。同时，它改进的类别预测方式也增强了模型的通用性。

总的来说，YOLO v3借鉴了视觉这一块最新的一些思想融合在了一起，改动并不多，因此本文也将注重理论与实现细节的融合。 我们可以看到，在整个 YOLO v3 结构里面， 是没有池化层和全连接层的。 张量的尺寸的变换是通过改变卷积核的步长来实现的 (也就是通过卷积实现下采样)，比如stride= (2, 2)，这就等于将图像边长缩小了一半，整个特征图缩小 2^2 倍。 在 YOLO v3 中，最终要经历5次缩小，会将特征图缩小到原输入尺寸的 \frac {1} {2^5} ，即 \frac {1} {32} 。 输入为 …

2025年3月21日 · YOLOv3（You Only Look Once version 3）是 YOLO系列 的第三个版本，是一种流行的 实时目标检测算法，由 Joseph Redmon 和 Ali Farhadi 在 2018 年提出。 YOLOv3 在速度和精度之间取得了良好的平衡，广泛应用于计算机视觉任务中。 YOLO v3在YOLO v2的基础上进行了多项改进，进一步提升了检测性能。 多尺度预测：YOLO v3采用FPN（Feature Pyramid Network）结构，通过三个不同尺度的特征图进行预测，分别检测大、中、小目标，提升了检 …

2025年3月17日 · What are the differences between YOLOv3, YOLOv3-Ultralytics, and YOLOv3u? YOLOv3 is the third iteration of the YOLO (You Only Look Once) object detection algorithm developed by Joseph Redmon, known for its balance of accuracy and speed, utilizing three different scales (13x13, 26x26, and 52x52) for detections.