“in which the author goes to the other extreme, being bluntly honest”
按年被提到
20182019 · 2 次2026
YOLOv3: An Incremental Improvement
YOLOv3:渐进式改进
Joseph Redmon, Ali Farhadi · 2018
YOLOv3 技术报告,速度快,文风坦率诙谐
被推荐 · 4 人首次 2019-01-30 · 最近 2022-11-01
4不同的人
4活跃月份
4讨论串
16,708被引(OpenAlex)
对 YOLO 做了一批小的设计改动,并训练了一个更大但仍然很快的新网络。在 320x320 输入下耗时 22 ms、28.2 mAP,精度与 SSD 相当但快三倍;按旧的 0.5 IOU 指标,在 Titan X 上 51 ms 达到 57.9 mAP@50,与 RetinaNet 的 57.5(198 ms)相近而快 3.8 倍。
HN 为什么提它
HN 上的人主要不是在推荐方法,而是在称赞这份报告写得坦率、诙谐,与浮夸的论文风格形成反差。
方法难度 3 / 5约 20 分钟有时效性
读之前最好知道
1卷积神经网络
2目标检测基础(IoU、mAP)
3SSD 与 RetinaNet 等检测器
学习路径
读这篇之前,按顺序读书架上的 5 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出先看两阶段检测器和 YOLO 的前两代,再看残差主干和更强的单阶段对手,才能读懂 YOLOv3 做了哪些渐进式改进。
- 1
它是 YOLO 系列对比的两阶段检测范式,其 anchor 思路也被后续 YOLO 采用。
读区域建议网络与 anchor 框的概念。
- 2
YOLOv3 是第一版 YOLO 的延续,需要先理解把检测当作回归的基本框架。
读网格划分、每格预测边界框与类别概率,以及损失函数。
- 3
- 4
YOLOv2 引入了 anchor 框、聚类选框和批归一化等改进,YOLOv3 直接建立在其上。
读anchor 框与维度聚类、直接位置预测,以及多尺度训练。
- 5
RetinaNet 与 focal loss 是 YOLOv3 在速度与精度对比中的主要对手。
读类别不平衡问题与 focal loss 的形式,了解单阶段检测的难点。
- 6YOLOv3: An Incremental Improvement
在前面几代模型与对手的背景下,看 YOLOv3 的一系列小改进。
读多尺度预测、新主干网络、边界框预测与类别预测的改动,以及对比表格。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及推荐stared · 2019-01
推荐这份 YOLOv3 报告,坦率直白、不夸大
推荐derekpankaew · 2022-11
“YOLO v3's paper is hilarious.”
称 YOLOv3 这篇论文很搞笑
玩笑mikehollinger · 2019-10
“Even the papers are snarky. [2]”
被提交为 story · 1 次
- YOLOv3: An Incremental Improvement ↗m_a_g · 2020-05-07 · 1 分