yolov3實踐（二）

此次給你們帶來一個有趣的項目，項目主要是Python寫的，基於Keras，backend是tf。

首先，當咱們回顧視覺目標檢測這個任務時，咱們可能糾結於如何使這個項目變得更加work，我理解的更加work是速度上不只快了並且更加準了，這是天然而然的事情，可是咱們不能忽略目標檢測的搭檔，也正是在另外一個熱火朝天的領域叫作目標跟蹤，在工程上二者經常是搭檔，有趣的是在學術研究上，二者經常被分開，我猜測的緣由主要是由於：其一，目標檢測和跟蹤是兩個比較大的話題，合在一塊兒工做量有點大，不利於研究工做的專一，而業界目標檢測和跟蹤領域各有各的開源競賽也促進了這一點；其二，從相反的角度考慮，其實目標檢測和跟蹤的評估方法是不同的，因此實現方法不同，實驗方法也不同，爲何不分開多發幾篇呢？因此學術界的兩股清流就此產生。下圖藍色是檢測，粉色、白色是不一樣方法的跟蹤效果，圖像不咋滴清晰。

     

其次，我想說的是工程問題應該分部最優，不要糾結在某一個問題上過久，否則老闆該怪你了。。。若是是學術問題，就應該老老實實回去把問題理清楚，也千萬不要把目標檢測和跟蹤真當成搭檔了...... 

最後，你們能想到的是檢測和跟蹤結合在一塊兒，目前徹底能夠在速度和精度上達到一個比較好的權衡，既不會丟失精度，反而提高了模型的速度，何樂而不爲呢？

這就是今天介紹的項目的出發點。這個項目還有另一個你們能夠關注的點是，咱們前端都採用了yolov3做爲檢測器，後面的跟蹤方法卻能夠有不少，目前只開源了deep_sort，後面會開源更多跟蹤器，基本的思路是，讓它真正變成一個工程，但願你們都能推進它持續的發展下去。

項目地址：地址連接

但願能有機會和同領域的小夥伴們交流交流。建個QQ羣864933024