「YOLO 之父」Joseph Redmon 宣布退出计算机视觉领域了!这个刚刚出现的消息着实让人工智能界感到惊讶。
在社交网络上，这位 YOLO知名 AI 算法的发明者昨天突然声明：出于道德上的考虑，他决定停止一切有关计算机视觉的研究。
在 AI 领域，这还是第一次。
说到 YOLO，相信每个计算机视觉从业者都不陌生。它是一种非常常用的目标检测算法，任务是找出图像中我们感兴趣的目标，确定其大小和位置并识别出具体是哪个对象。从自动驾驶到人脸识别，很多日常生活中的常见任务都离不开这种算法。
YOLO 模型最早是由 Joseph Redmon 等人在 2015 年提出的，并在随后的几篇论文中进行了修订。
Faster R-CNN 及在其基础上改进的 Mask R-CNN 在实例分割、目标检测、人体关键点检测等任务上都取得了很好的效果，但通常较慢。而 YOLO 的创新之处在于，它提出了 one-stage，即目标定位和目标识别在一个步骤中完成，是名副其实的「You Only Look Once」。
由于 YOLO 只使用单个网络，因此可以直接在检测性能上进行端到端优化，使得基础 YOLO 模型能以每秒 45 帧的速度实时处理图像。YOLO 的一个小规模版本——Fast YOLO 可以达到每秒 155 帧的处理速度。
YOLO 有着让人惊艳的速度，同时也有让人止步的缺陷：不擅长小目标检测。为了弥补这一缺陷，2018 年，Redmon 等人发布了 YOLO v3。这一新版本保持了 YOLO 的速度优势，提升了模型精度，尤其加强了小目标、重叠遮挡目标的识别，补齐了 YOLO 的短板，是目前速度和精度均衡的目标检测网络。
研究者们对于 YOLO 下一个版本的展望主要在于三个方面：更高的识别准确率、更加广泛的实时监测，以及更轻量化的模型。在 GitHub 上，人们对于 v4 版本什么时候出的问题，得到的答案一直是「coming soon」。
一直以来，Joseph Redmon 跟随 Allen School 教授 Ali Farhadi 从事计算机视觉研究，他是 2018 年度谷歌博士奖学金的获得者，理由是在「创造更快、更好、更有用的计算机视觉应用工具」方面的贡献。
免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些AI常用框架实战视频、图像识别、YOLO、OpenCV、NLQ、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文、行业报告等。
为了更好的系统学习AI，推荐大家收藏一份。
下面是部分截图，文末附免费下载方式。
一、人工智能必读书籍
二、人工智能免费视频课程和项目
三、人工智能论文合集
四、人工智能行业报告
学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。