首先，在将目标检测算法模型移植到海思AI引擎运行的过程中，我深深感受到了理解和掌握算法模型原理的重要性。 基于此，我上了专门针对目标检测算法的模型原理和实战的课。 我说的是YOLOV3模型，它对理解其他目标检测算法模型也非常有帮助。 毕竟很多概念是共通的。 有关课程的具体信息，请参阅http://www.data guru.cn/article-15123-1.html。 union_site=banner
摘要本课程以实战为中心，主要介绍如何根据来自实际开发项目的无人零售商品数据集，进一步训练YOLOV3算法模型并进行性能评估。 当然，在说明的过程中，除了教授使用方法外，还会清楚地说明背后的原理和容易犯的错误。 学完本课程后，了解它，了解它的原因，并实际掌握它，以便应用于实际环境。
大纲第一课：课程内容、目标、特色及平台环境等介绍。 第2课：目标检测基础知识。 包括一般数据集介绍、性能指标和各种目标检测算法模型的演变。 第三课： YOLOV3目标检测原理介绍，包括网络层结构、多通道卷积、感觉野、检测框回归与分类、IOU、NMS等概念。 第4课：下载、编译开放源代码框架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、变形缩放等)和推理后处理。 课程YOLOV3模型培训的上面部分包括无人零售商品数据集的准备、标记和格式转换。 课程YOLOV3模型训练下部分包括cfg轮廓修正、分析计算模型训练、训练日志分析。 第7课：模型性能评估，包括地图、AP、recall等等值计算和宣传曲线的绘制。 引入和推理包含基于课程darknet框架和OpenCV python接口的图像识别的模型。 将课程YOLOV3 darknet模型转换和验证为caffe 1.0模型。 第10课： yolo v3模型性能改进方法的总结、实现及探讨。