YOLO v3 入门指南

预测图像中的目标

YOLO v3 使用锚框来检测图像中的目标类别。更多详情请参阅Anchor Boxes for Object Detection。YOLO v3 会针对每个锚框预测以下三个属性：

图中显示了特征图中每个位置的预定义锚框（虚线），以及应用偏移量后的优化位置。与某个类匹配的框以彩色显示。

设计一个 YOLO v3 检测网络

要设计一个 YOLO v3 目标检测网络，请按照以下步骤操作。

要手动创建一个 YOLO v3 深度学习网络，请使用深度网络设计器 (Deep Learning Toolbox)。若要通过编程方式创建一个 YOLO v3 深度学习网络，请使用 yolov3ObjectDetector 对象。

迁移学习

要进行迁移学习，可以使用一个预训练网络作为 YOLO v3 深度学习网络的基础网络。通过指定锚框和新的目标类别，配置 YOLO v3 深度学习模型，以便在新的数据集上进行训练。使用 yolov3ObjectDetector 对象，可以基于任何预训练网络（如 SqueezeNet）创建 YOLO v3 检测网络，并进行迁移学习。有关预训练卷积神经网络 (CNN) 的列表，请参阅预训练的深度神经网络 (Deep Learning Toolbox)。

训练一个目标检测器，并使用 YOLO v3 模型检测目标

要在标注数据集上训练 YOLO v3 目标检测网络，请使用 trainYOLOv3ObjectDetector 函数。您必须指定用于训练网络的数据集的类名和预定义的锚框。

该训练函数将训练好的神经网络作为 yolov3ObjectDetector 对象返回。然后，您可以使用 detect 函数，结合已训练好的 YOLO v4 目标检测器，检测测试图像中的未知对象。要了解如何以深度学习网络为基础网络来创建自定义的 YOLO v3 目标检测器，并对其进行目标检测训练，请参阅Object Detection Using YOLO v3 Deep Learning示例。

为深度学习标注训练数据

您可以使用图像标注器、视频标注器或真实值标注器 (Automated Driving Toolbox)以交互方式对像素进行标注，并导出标注数据用于训练。这些 App 还可用于为目标检测标注矩形感兴趣区域 (ROI)、为图像分类标注场景标签，以及为语义分割标注像素。若要根据任何标注员导出的真实值对象创建训练数据，可以使用 objectDetectorTrainingData 或 pixelLabelTrainingData 函数。有关详细信息，请参阅Training Data for Object Detection and Semantic Segmentation。