yolov3知識蒸餾

⑴ 如下圖，darknet-yolov3測試的結果，如何得出黃色框的坐標

網頁鏈接

上面的鏈接應該可以幫到你

⑵ yolov3對顯卡的要求

我覺得這種對顯卡肯定是有要求太多打的標的發就可以是用還是比較合適的。

⑶ yolov3能識別圖片上的公式嗎

目前目標檢測類檢測效果和檢測速度最好的演算法，原版的yolov3檢測的物體種類眾多，本文實在原有yolov3上將多累物體檢測簡化為單類物體檢測，本文的原始代碼基於目前目標檢測類檢測效果和檢測速度最好的演算法，原版的yolov3檢測的物體種類眾多，本文實在原有yolov3上將多累物體檢測簡化為單類物體檢測，本文的原始代碼基於目前目標檢測類檢測效果和檢測速度最好的演算法，原版的yolov3檢測的物體種類眾多，本文實在原有yolov3上將多累物體檢測簡化為單類物體檢測，本文的原始代碼基於

⑷ 跑yolo3需要多少顯存

訓練你可以通過設置batch_szie（一次訓練所選取的樣本數），以及改變演算法結構來控制顯存的佔用。
對於運行yolov3，需要1.7g左右的顯存

⑸ yolov3什麼時候出來的

yolo v3是2018年出來的，比SSD和retinanet都要晚，在map0.5這個指標上速度比SSD和retinanet快很多。在工業應用上面map0.5已經滿足使用，並且yolo v3簡介，文檔豐富，還有tiny版本等一些列變種。最重要的是速度非常快，比SSD和retinanet都要快。

YOLOv3 的提出不是為了解決什麼問題，整篇論文其實是技術報告。YOLOv3 在 YOLOv2 基礎上做了一些小改進，文章篇幅不長，核心思想和 YOLOv2、YOLO9000差不多。

模型改進：

邊界框預測：定位任務採用 anchor box 預測邊界框的方法，YOLOv3 使用邏輯回歸為每個邊界框都預測了一個分數 objectness score，打分依據是預測框與物體的重疊度。如果某個框的重疊度比其他框都高，它的分數就是 1，忽略那些不是最好的框且重疊度大於某一閾值（0.5）的框。

⑹ yolo一般訓練多少輪

一般訓練上100輪到200輪就可以了。

在做YOLOv3檢測的時候，第一階段，一直使用RMS優化器，最多的時候可以訓練到200輪。

初始的學習率測試過 0.01，0.001，0.005。但效果都不好，最好的時候 loss下降到120左右。並且經常訓練的時候會出現負數 loss 或者非常大的 loss，比如2e+22。測試效果很差，顯然模型就沒收斂。

第二階段，想起來看到文章提到用 SGD 最終會能達到更好的效果，於是改為嘗試 SGD 優化器，訓練200輪。

初始學習率嘗試過 0.01，0.05，0.001。前兩個比較容易出現超大 loss 和負數 loss，證明學習率偏大。後來換 0.001 之後，比較穩定，最優的loss 能下降到80左右，但還是伴隨著少量的負數 loss 和偶爾出現的超大 loss。此時測試能有一定的效果，能檢測出一部分正確結果。

總結如下：

基於此，猜測可能是存在一定量的梯度過大導致。嘗試在模型參數中加上梯度裁剪。第一次加入全局梯度L2范數裁剪，paddle 中對應 GradientClipByGlobalNorm，設置的L2范數限制是2.0。

但進去之後效果很差。猜測此時並不一定能真實限制住梯度，因為每個數都很小，L2之後更小，除非模型參數很多，不然不太好把我限制多少合適。

於是換了直接限制梯度大小的裁剪，paddle 中對應 GradientClipByValue，設置的梯度大小是 [-5, 5]。此時不容易出現極端 loss，最好 loss 能到 50。模型效果相比以前有比較好的提升。

⑺ yolov3、mobilenet_ssd模型推理時間大概是多少

深度模型inference時間跟計算硬體、CNN結構、部署方法都有關系，yolov3在gtx1080ti下可以50ms per second, mssd分v1，v2，v3，由於CNN結構較小，且在設計上採用depthwise的設計思路，被廣泛用於端側進行使用，我在樹莓派3b+上inference在10fps左右，而通過Tengine類似的加速框架可以有效提高inference速度。

⑻ 用yolov3訓練自己的數據集實現功能可以發期刊嗎或者說怎麼做才能發期刊 求學術大佬回答

用yolov3做這些東西只是重復別人的實驗，要有創新點，而且論文中要有對比實驗，為什麼yolov3要更好，這些都是要有的。

⑼ (C++)YOLOv3網路下的目標檢測中輸入圖像不是416*416怎樣處理

darknet-53借用了resnet的思想，在網路中加入了殘差模塊，這樣有利於解決深層次網路的梯度問題，每個殘差模塊由兩個卷積層和一個shortcut connections,
1,2,8,8,4代表有幾個重復的殘差模塊，整個v3結構裡面，沒有池化層和全連接層，網路的下采樣是通過設置卷積的stride為2來達到的，每當通過這個卷積層之後
圖像的尺寸就會減小到一半。而每個卷積層的實現又是包含 卷積+BN+Leaky relu ,每個殘差模塊之後又要加上一個zero padding,具體實現可以參考下面的一張圖。