内容为我本人对yolo系列模型的解释，希望方便更多人理解

1.YOLOv1论文原文 2.本人在精度论文标注版本，标注内容来自（yolov1PPT，B站UP主同济子豪兄论文精度） 3.YOLOv1推测阶段最经典PPT,内容十分详细 比较适合初学YOLOv1同学，精度论文的资料，帮助理解

此文件为yolo模型（1-3）的pytorch实现以及ssd目标检测的pytorch实现

yolo-v1前向结构，用绘图的形式阐明了yolo-v1的算法原理，简洁明了，一目了然。

YOLOv1论文翻译： https://blog.csdn.net/woduoxiangfeiya/article/details/80866155?utm_source=distribute.pc_relevant.none-task YOLOv1原文： https://arxiv.org/pdf/1506.02640.pdf 以下为参考博主博客https://blog.csdn.net/leviopku/article/details/82588059 https://blog.csdn.net/leviopku/article/details/82588059 https://blog.

以下是论文的序： We present YOLO, a new approach to object detection. Prior work on object detection repurposes classifiers to perform detection. Instead, we frame object detection as a regression problem to spatially separated bounding boxes and associated class probabilities. A single neural network predicts bounding boxes and class probabilities directly from full images in one evaluation. Since the whole detection pipeline is a single network, it can be optimized end-to-end directly on detection performance. Our unified architecture is extremely fast. Our base YOLO model processes images in real-time at 45 frames per second. A smaller version of the network, Fast YOLO, processes an astounding 155 frames per second while still achieving double the mAP of other real-time detectors. Compared to state-of-the-art detection systems, YOLO makes more localization errors but is less likely to predict false positives on background. Finally, YOLO learns very general representations of objects. It outperforms other detection methods, including DPM and R-CNN, when generalizing from natural images to other domains like artwork

yolov1 使用pytorch的yolo v1工具

本人自己做的ppt，里面内容是自己对YOLOV1的个人理解，及重要代码讲解，讲的不好请多多包涵

带有Tensorflow 2的YOLOv1 为了易于实现，我没有实现与纸张完全相同的实现。 下面介绍的内容与本文的实现方式有所不同。 骨干网。 （我使用Xception代替了本文中提到的网络。） 学习率表（我使用了tf.keras.optimizers.schedules.ExponentialDecay ） 超级参数 数据扩充 等等 。 。 。 预览 即将更新。 。 。 使用Docker构建环境 构建Docker映像 $ docker build -t ${NAME} : ${TAG} . 创建一个容器 $ docker run -d -it --gpus all --shm-size= ${PROPER_VALUE} ${NAME} : ${TAG} /bin/bash Pascal VOC数据集（） 带有Pascal VOC数据集 图片数量 火车 验证 测试 帕斯卡VOC

yoloV1介绍