YOLO是一种实时目标检测算法，与faster R-CNN不同的是，YOLO不是过多的注重物体定位的精度，而是着重于速度和物体种类的识别。在实际应用中，实时性是目标检测中非常重要的，例如对于一辆自动驾驶汽车来说，必须达到实时的检测红绿灯、行人和车辆等物体，这样才能安全的在街道上行驶。
这是小编准备的python学习资料，需要的加群：696541369即可获取！
YOLO算法在CNN的基础上定义网络结构，在使用时，我们可以直接加载其与训练的权重。其网络结构如下：
这里再介绍两个YOLO的重要的概念，一个是anchor boxes，另一个是NMS和IOU。
当在目标检测时，一个网格单元中可能会包含多个不同物体的中心点，即物体处于重叠状态，这是anchor boxes允许一个网格检测多个对象。效果如下图所示：
YOLO使用非最大抑制(NMS)来保留最佳边界框。NMS的第一步是删除检测概率小于给定NMS阈值的所有预测边界框。一般我们可以自己设置NMS值。在删除具有低检测概率的所有预测边界框之后，NMS中的第二步是选择具有最高检测概率的边界框，并消除其交叉联合（IOU）值高于给定值的所有边界框。
下面我们将通过一个小例子来实现YOLOv3算法，整个过程除去可视化代码外，整个识别部分代码不超过30行。具体步骤如下：
1、导入函数库，这里我们需要opencv读取图像、matplotlib绘图、utils以及darknet等。
2、读取YOLO网络权重，这样可以避免我们再次定义和训练模型。
3、读取图像并将待标记图像放缩到合适的尺寸
4、设置NMS值和IOU值
5、进行目标检测
结果如下：
完整代码：