r-cnn系列目標檢測方法（r-cnn, fast r-cnn, faster r-cnn）看做目標檢測，都是需要「看兩眼」的。即，第一眼做 「region proposals」獲得所有候選目標框，第二眼對所有候選框做「box classifier候選框分類」才能完成目標檢測：
事實上「第一眼」是挺費時間的，可否看一眼就能得到最後的目標檢測結果？達到實時檢測的可能? 答案是肯定的，這也是我們要講yolo的由來 — you only look once ！
yolo能夠做到在輸出中同時包含bounding box(檢測框)的分類資訊和位置資訊:
目標檢測YOLO實現
注 本文參考 git clone cd darknet make 編譯沒有問題的話輸出資訊如下 mkdir p obj gcc i usr local cuda include wall wfatal errors ofast.gcc i usr local cuda include wall wf...
目標檢測演算法之YOLO系列
1.演算法解讀 2.原始碼解析 nms演算法包含在 interpret output 這個函式中 v2通過對標籤聚類得到一系列anchor box prior box 相比v1，bounding box的數量大幅增加。v2 的bounding box以這些anchor box為基準，在一定程度上減少...
yolo3 目標檢測 實測
yolo是繼faster r cnn後，原作者在目標檢測領域進行的新研究。到了v3版本以後，雖然已經換人支援，但是更注重工程實踐，在實際使用過程中突出感受就是 非常快 gpu加速以後能夠達到實時多目標，並且已經完成了工程實踐。下一步需要做的，應該就是 1 小型化 2 fpga化 3 垂直領域特定目標...