目标检测模型YOLOV3原理及实战

目标检测是计算机视觉三大基本任务（图像分类、目标检测以及图像分割）之一，而且目标检测在这三个任务中扮演着承上启下的角色。目标检测的实质就是目标分类和定位，它是在分类基础上发展起来的一项深度学习技术。同时，图像分割则是在目标检测基础上再进行像素级别的分类。所以，学好了目标检测技术的原理和应用，就可以说对图像分类已经有了很好的掌握，而且为接下来的图像分割的学习和应用奠定了一个非常的扎实的基础。

此外，目标检测在计算机视觉技术中应用非常广泛，从视频监控到无人零售再到工业检测、医疗诊断、文本识别等等领域，无不闪耀着它的身影。毫无疑问，它是计算机视觉技术落地场景中最常用的一个方向。

随着计算机视觉技术的蓬勃发展，目标检测算法模型已经迭代了好几代，从two stages到one stage等，不一而举。它们各有优缺点，没有哪个模型在所有场景下都是最优的。但是综合起来看，基于准确度、实时性以及易用性、可移植性等方面来考虑，YOLOV3无疑是到目前为之较佳的目标检测算法模型之一，在当前工业界中应用非常广泛。

本课程以实战为主，主要是基于一个来自实际开发项目的无人零售商品数据集（训练集和测试集总共有8000多张图片）来讲解如何一步一步地训练出YOLOV3算法模型并进行性能评估。当然，在讲解过程中，不仅仅教大家如何使用，而且还会把背后的原理以及容易犯的错误都讲清楚。让大家学完本课程后能知其然而且知其所以然，从而真正地掌握它，并应用到实际场景中去。

第一课：课程内容、目标、特色以及平台环境等介绍。
第二课：目标检测基础知识。包括常用数据集介绍、性能指标以及各种目标检测算法模型的演进。
第三课：YOLOV3目标检测原理介绍，包括网络层结构、多通道卷积，感受野，检测框回归和分类，IOU，NMS等概念。
第四课：开源框架darknet代码下载、编译及其安装。此外还包括训练预处理（图像颜色转换、不变形缩放等）和推理后处理代码的梳理。
第五课：YOLOV3模型训练上部分 包括无人零售商品数据集准备、标注、格式转换。
第六课：YOLOV3模型训练下部分 包括cfg配置文件修改、anchors计算 模型训练、训练日志分析。
第七课：模型性能评估，包括mAP, AP及recall等值计算和画出PR曲线等。
第八课：模型部署和推理，包括基于darknet框架以及OpenCV python接口的图像识别。
第九课：YOLOV3 darknet模型转换成caffe1.0 model以及验证。
第十课：YOLOV3模型性能优化方法探讨，包括数据增强，标注方法的灵活运用，高分辨率图片的识别，以及DIOU和Guassian-YOLOV3模型的讲解等。