yolov3: 一個具有多尺度預測與多種模型變體，適用於邊緣與伺服器部署的即時物件偵測框架

它解決了什麼問題

YOLOv3 提供了一種快速且準確的方式來執行即時物件偵測。它解決了在單次前向傳播中識別並定位影像或影片串流中多個物件的問題，避免了需要獨立區域提案（region-proposal）階段的需求。

運作原理

此專案使用 PyTorch 實作了 YOLOv3 (You Only Look Once, version 3) 架構。它將偵測框架化為單一回歸問題，直接從完整影像中預測邊界框（bounding boxes）與類別機率。關鍵架構特性包括：

• Darknet-53 backbone: 一個具有殘差連接（residual connections）的 53 層卷積特徵提取器，用於高效的特徵提取。
• Multi-scale detection: 在三種不同的特徵圖尺度上進行預測，以有效偵測各種尺寸的物件（小型、中型與大型）。
• Anchor boxes: 邊界框是相對於維度聚類錨點先驗（dimension-cluster anchor priors）進行預測的，以確保訓練穩定性。
• Independent class prediction: 使用邏輯分類器（logistic classifiers）而非 softmax，允許單一邊界框擁有多个不互斥的標籤。

對象是誰

它專為開發者與研究人員設計，需要一個可靠、即時的物件偵測基準，且該基準具備可移植性，並易於在各種硬體（包括 CPU 與邊緣設備）上進行訓練與部署。

重點特性

• 三種模型變體: 包括 YOLOv3、YOLOv3-SPP（具備空間金字塔池化以獲得更高準確度）以及 YOLOv3-tiny（針對速度與邊緣設備進行優化）。
• 全面的工具鏈: 提供訓練、驗證、推理與將模型匯出至 ONNX、TensorRT、CoreML 與 OpenVINO 等格式的內建支援。
• PyTorch Hub 整合: 允許使用者透過 torch.hub.load 以程式化方式載入預訓練模型。
• 宣告式模型定義: 模型定義於 YAML 檔案中，允許在不撰寫 Python 程式碼的情況下修改架構。