序言
自動駕駛是目前非常有前景的行業，而視覺感知作為自動駕駛中的“眼睛”，有着非常重要的地位和作用。為了能有效地識別到行駛在路上的動態目標，如汽車、行人等，我們需要提前對這些目標的進行訓練，從而能夠有效地避開，防止事故的發生。
目錄:
目標檢測之車輛檢測（基於darknet框架的yolov3）
一、目標檢測的概念
二、Darknet整體框架與安裝測試
三、yolo模型特點與性能
四、基於Darknet的yolov3車輛檢測模型
正文：
一、目標檢測的概念
1.1 什么是目標檢測
目標檢測是我們用於識別圖像中目標位置的技術。如果圖像中有單個目標，並且我們想要檢測該目標，則稱為圖像定位。如果圖像中有多個目標怎么辦？嗯，這就是目標檢測！讓我用一個例子解釋一下：
左側的圖像具有單個目標（狗），因此檢測該目標將是圖像定位問題。右邊的圖像有兩個目標（一只貓和一只狗）。檢測這兩個目標則是目標檢測問題。
自動駕駛是目標檢測最有趣和最近的應用之一
自動駕駛汽車是能夠在很少或無人為引導的情況下自行移動的車輛。現在，為了讓汽車決定它的行動，即要么向前移動，要么停車，要么轉彎，它必須知道它周圍所有物體的位置。使用目標檢測技術，汽車可以檢測其他汽車，行人，交通信號等物體。
而大多數應用程序需要實時分析，實時檢測。行業的動態性質傾向於即時結果，而這正是實時目標檢測的結果。
二、Darknet整體框架與安裝測試
Darknet是用純C編寫的小型深度學習框架，詳細內容可參考以下鏈接：
三、yolo模型特點與性能
yolo是繼RCNN，fast-RCNN 和 faster-RCNN之后，Ross Girshick 針對 DL 目標檢測速度問題提出的另外一種框架，詳細內容可參考以下鏈接：
四、基於Darknet的yolov3車輛檢測模型
五、訓練效果
模型：v6 416x416 40w:x0.1,45w:x0.1
avg:0.532/0.442 avg IoU:0.832 cls:0.999 obj:0.96 No obj:0.001 .5R :1.0 0.75R:0.85
使用MP4測試，幀率在25fps左右，非常卡頓，模型結構不能太深，檢測速度下降明顯。