YOLOv3的配置文件中有一段对anchors参数的配置 根据 YOLO9000Better， Faster， Stronger 文章中所述根据 YOLOv3 An Incremental Improvement 文章中所述从数据集中类聚出来的锚框，相当于预测框的一个参考；在服务器厂商方面，寒武纪的产品也得到了头部服务器厂商的认可，实现了合作共赢MLU370X8 搭载双芯片四芯粒思元 370，集成寒武纪 MLULinktrade多芯互联技术，主要面向训练任务，在业界应用广泛的YOLOv3Transformer等训练。
yolo v3是2018年出来的，比SSD和retinanet都要晚，在map05这个指标上速度比SSD和retinanet快很多在工业应用上面map05已经满足使用，并且yolo v3简介，文档丰富，还有tiny版本等一些列变种最重要的是速度非常快，比SSD；利用python来实现YOLOV3，与SSD 以及RCNN代码有很多类似的地方，大家可以参考往期的文章进行对比学习，把代码执行一遍 进行视频识别的思路从视频中提取图片，进行图片识别，识别完成后，再把识别的结果实时体现在视频中，这部分。
yolov3一共有三个YOLO层分别去训练网络，为什么有三个，较小的特征图有比较大的视野，教大的特征图有比较小的视野，这样yolo3就拥有了既能识别大目标也能识别小目标的能力，同时，一个点既能是一种分类，也可以属于另外；固定在YOLO算法发表之前，大部分表现比较好的对象检测Object Detection算法都是以RCNN为代表两阶段算法，这样的算法存在一个很明显的问题，那就是速度太慢，对于实时性要求很高的应用场景是不适用的YOLO算法的作者没。
当然可以重新训练呀重新训练了，掌握自基础知识就比较厚重这样你再设计起来，我就特别容易了有了好的基础就可以完成任务；yolo_v3只会对1个prior进行操作，也就是那个最佳prior而logistic回归就是用来从9个anchor priors中找到objectness score目标存在可能性得分最高的那一个。
用yolov3做这些东西只是重复别人的实验，要有创新点，而且论文中要有对比实验，为什么yolov3要更好，这些都是要有的。
云服务器训练模型,如果本机浏览器关闭会影响
使网络在训练过程中学习不同尺度的图像不过待改进的地方有在小目标上召回率不高，靠近的群体目标检测效果不好，检测精度还有优化空间YOLOv3使用了更加深的骨干网络DarkNet53，同时加入了多尺度预测，在COCO数据集上聚类。
当loss值在01到1之间时，可以更好地避免过拟合的问题，loss值越低，表明模型的泛化能力也越强，可以更好地应用到新数据上Loss是一种衡量模型预测性能的一种指标，它可以用来衡量模型在训练数据上的表现。
学习yolo的方法如下 学习目标 知道yolo网络架构，理解其输入输出，知道yolo模型的训练样本构建的方法，理解yolo模型的损失函数，知道yoloV2模型的改进方法，知道yoloV3的多尺度检测方法，知道yoloV3模型的网络结构及网络输出，了解yoloV3模型先验框。
当使用imageNet训练时，只更新物体分类相关的参数而使用coco时，则更新全部所有参数 YOLOv3可以说出来直接吊打一切图像检测算法比同期的DSSD反卷积SSD， FPNfeature pyramid networks准确率更高或相仿，速度是其13 YOLOv3的。
训练你可以通过设置batch_szie一次训练所选取的样本数，以及改变算法结构来控制显存的占用对于运行yolov3，需要17g左右的显存。
云服务器训练nerf需要多久
作者在YOLOv3中取消了v2之前每个grid cell只负责预测一个对象的限制，也就是说grid cell中的三个bounding box都可以预测对象，当然他们应该对应不同的ground truth那么如何在训练中确定哪个bounding box负责某个ground truth呢？方法是求出。
