yolov3知识蒸馏

⑴ 如下图，darknet-yolov3测试的结果，如何得出黄色框的坐标

网页链接

上面的链接应该可以帮到你

⑵ yolov3对显卡的要求

我觉得这种对显卡肯定是有要求太多打的标的发就可以是用还是比较合适的。

⑶ yolov3能识别图片上的公式吗

目前目标检测类检测效果和检测速度最好的算法，原版的yolov3检测的物体种类众多，本文实在原有yolov3上将多累物体检测简化为单类物体检测，本文的原始代码基于目前目标检测类检测效果和检测速度最好的算法，原版的yolov3检测的物体种类众多，本文实在原有yolov3上将多累物体检测简化为单类物体检测，本文的原始代码基于目前目标检测类检测效果和检测速度最好的算法，原版的yolov3检测的物体种类众多，本文实在原有yolov3上将多累物体检测简化为单类物体检测，本文的原始代码基于

⑷ 跑yolo3需要多少显存

训练你可以通过设置batch_szie（一次训练所选取的样本数），以及改变算法结构来控制显存的占用。
对于运行yolov3，需要1.7g左右的显存

⑸ yolov3什么时候出来的

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。YOLOv3 在 YOLOv2 基础上做了一些小改进，文章篇幅不长，核心思想和 YOLOv2、YOLO9000差不多。

模型改进：

边界框预测：定位任务采用 anchor box 预测边界框的方法，YOLOv3 使用逻辑回归为每个边界框都预测了一个分数 objectness score，打分依据是预测框与物体的重叠度。如果某个框的重叠度比其他框都高，它的分数就是 1，忽略那些不是最好的框且重叠度大于某一阈值（0.5）的框。

⑹ yolo一般训练多少轮

一般训练上100轮到200轮就可以了。

在做YOLOv3检测的时候，第一阶段，一直使用RMS优化器，最多的时候可以训练到200轮。

初始的学习率测试过 0.01，0.001，0.005。但效果都不好，最好的时候 loss下降到120左右。并且经常训练的时候会出现负数 loss 或者非常大的 loss，比如2e+22。测试效果很差，显然模型就没收敛。

第二阶段，想起来看到文章提到用 SGD 最终会能达到更好的效果，于是改为尝试 SGD 优化器，训练200轮。

初始学习率尝试过 0.01，0.05，0.001。前两个比较容易出现超大 loss 和负数 loss，证明学习率偏大。后来换 0.001 之后，比较稳定，最优的loss 能下降到80左右，但还是伴随着少量的负数 loss 和偶尔出现的超大 loss。此时测试能有一定的效果，能检测出一部分正确结果。

总结如下：

基于此，猜测可能是存在一定量的梯度过大导致。尝试在模型参数中加上梯度裁剪。第一次加入全局梯度L2范数裁剪，paddle 中对应 GradientClipByGlobalNorm，设置的L2范数限制是2.0。

但进去之后效果很差。猜测此时并不一定能真实限制住梯度，因为每个数都很小，L2之后更小，除非模型参数很多，不然不太好把我限制多少合适。

于是换了直接限制梯度大小的裁剪，paddle 中对应 GradientClipByValue，设置的梯度大小是 [-5, 5]。此时不容易出现极端 loss，最好 loss 能到 50。模型效果相比以前有比较好的提升。

⑺ yolov3、mobilenet_ssd模型推理时间大概是多少

深度模型inference时间跟计算硬件、CNN结构、部署方法都有关系，yolov3在gtx1080ti下可以50ms per second, mssd分v1，v2，v3，由于CNN结构较小，且在设计上采用depthwise的设计思路，被广泛用于端侧进行使用，我在树莓派3b+上inference在10fps左右，而通过Tengine类似的加速框架可以有效提高inference速度。

⑻ 用yolov3训练自己的数据集实现功能可以发期刊吗或者说怎么做才能发期刊 求学术大佬回答

用yolov3做这些东西只是重复别人的实验，要有创新点，而且论文中要有对比实验，为什么yolov3要更好，这些都是要有的。

⑼ (C++)YOLOv3网络下的目标检测中输入图像不是416*416怎样处理

darknet-53借用了resnet的思想，在网络中加入了残差模块，这样有利于解决深层次网络的梯度问题，每个残差模块由两个卷积层和一个shortcut connections,
1,2,8,8,4代表有几个重复的残差模块，整个v3结构里面，没有池化层和全连接层，网络的下采样是通过设置卷积的stride为2来达到的，每当通过这个卷积层之后
图像的尺寸就会减小到一半。而每个卷积层的实现又是包含 卷积+BN+Leaky relu ,每个残差模块之后又要加上一个zero padding,具体实现可以参考下面的一张图。