YOLO v3可以說是單階段檢測器中的佼佼者，融合了多個框架的優勢，在保持模型簡潔性的同時，性能上也在當時達到了stoa。

YOLO v3的主干網絡是darknet-53的前面的52層，所以它是一個全卷積網絡，并且為了降低池化帶來的梯度負面效果，不再使用poolling，用conv的stride來實現降采樣。

為了提高小目標的檢測精度，YOLO v3中采用類似FPN的上采樣和融合做法，最后融合了3個scale，在多個scale的feature map上做檢測。

現在我開源了一個基于tensorflow-2.x的yolov3實現。

目前支持

1.最友好的新手教程，python train.py直接可以觀看整個訓練過程，甚至不需要gpu

2.自定義訓練，支持yolo的txt文件格式

3.kmeans的anchor聚類

4.訓練時可視化

第2個epoch的可視化結果

第4個epoch的可視化結果

準備支持

1.預訓練模型，多尺度訓練

2.轉換到tflite，一站式部署

3.更加豐富友好的數據增強以及可視化

敬請期待，代碼開源在github，yolo3源碼

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的tensorflow 模型可视化_基于tensorflow-2.x的yolov3实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。