Contexto: Mejoras incrementales al sistema

YOLO.
Introducción
Objetivos: Hacer YOLOv3 más grande, preciso y
rápido.

Uso de clusters dimensionales como cajas de

Detección de Bounding Box:
anclaje.

Clasificación multietiqueta independiente, sin

Predicción de Clases:
softmax.
Mejoras en YOLOv3 Uso de redes de pirámide de características
Predicciones a diferentes escalas: para extraer características a tres escalas
diferentes.

Introducción de Darknet-53, una red más

Extractor de Características:
potente y eficiente.

YOLO V3: An Comparación con otros métodos: Análisis en términos de mAP y velocidad.
Incremental  Alta velocidad y buen desempeño en métricas
Rendimiento
Improvement Fortalezas:
AP50.

Menor precisión en comparación con algunas

Limitaciones:
otras redes en métricas de COCO AP.

Pruebas en el dataset de COCO

Experimentos y evaluación
Observaciones sobre el rendimiento con
diferentes tamaños de objetos.

Enfoques y configuraciones que no mejoraron

Aspectos que no funcionaron Experimentos fallidos
el rendimiento.

Reflexiones sobre métricas de evaluación Importancia de la precisión en la clasificación.

Discusión
Consideraciones éticas y uso potencial Aplicaciones comerciales y militares.