原题：目标检测模型YOLOV3的原理与实战
课程概述：
目标检测是计算机视觉的三项基本任务之一(图像分类、目标检测及图像分割)，而目标检测在这三项任务中起着自上而下的作用。 目标检测的本质是目标分类和定位，是在分类基础上发展起来的深度学习技术。 并且，图像分割是基于对象检测进行像素级别的分类。 因此，掌握目标检测技术的原理和应用，对图像分类有很好的了解，为下一步图像分割的学习和应用奠定了非常坚实的基础。
随着计算机视觉技术的发展，目标检测算法模型已经重复了好几代，从two stages到one stage等各种各样。 各有优缺点，所有场景都没有最佳模型。 但总的来看，从准确性、实时性以及易用性、可移植性等方面考虑，YOLOV3无疑是迄今为止较好的目标检测算法模型之一，在当今工业界应用非常广泛。
本课程以实战为主，主要基于来自实际开发项目的无人零售商品数据集。 训练集和测试集中共有8000多张照片。 介绍一步一步训练YOLOV3算法模型并进行性能评估的方法。 当然，在说明的过程中，不仅会教你使用方法，还会明确说明背后的原理和容易犯的错误。 完成本课程后，要知道它，知道它的原因，真正掌握它，提高实践操作能力。
第一课：课程内容、目标、特色、平台环境等介绍。
第2课：目标检测基础知识。 包括常用数据集介绍、性能指标和各种目标检测算法模型的演化。
第三课：介绍YOLOV3目标检测原理，包括网络层结构、多通道卷积、感觉野、检测框回归与分类、IOU、NMS等概念。
第4课：开源框架下载、编译darknet代码及其重要的详细说明。 包括训练预处理(图像颜色转换、变形放大缩小等)和推理后处理。
第YOLOV3课模型培训的上半部分包括无人值守零售商品数据集的准备、标记和格式转换。
课程YOLOV3模型训练的下一部分包括修改cfg配置文件、anchors计算模型训练和分析训练日志。
第7课：模型性能评估，包括map、AP、recall等等值计算和PR曲线的绘制。
将课程YOLOV3 darknet模型转换和验证为caffe1.0 model。
第10课：总结、实现或研究yolo v3模型的性能改善方法。
刘铁山
课程于2020年8月10日开课，课程期限约为12周。
Ubuntu16.0.4或18.0.4 python。 有了GPU，你可以加快训练的速度
课程基础：
熟悉ubuntu环境，能进行python编程，c语言基础稍好。
所有对目标检测算法原理和应用感兴趣的人，如算法工程师、大学生等
完成本课程后，您将能够熟练使用darknet框架，并针对自己的数据集训练YOLOV3模型。 此外，还可以使用相关工具进行模型各方面的性能评估，并根据训练的算法模型对未知图像进行目标检测。
我这些年来一直集中在目标检测算法的研究和应用上。 对各种典型的目标检测算法模型有比较深入的了解，同时对算法模型在各平台的配置，甚至嵌入式移植也积累了比较多的经验，在这门课程的学习过程中我们可以进行讨论和交流。
当然，如果对计算机视觉，甚至人工智能的全方向职业规划、就业有什么问题和困惑，我也很乐意和你们分享我的意见和观点。 回到搜狐，多看看
责任编辑：