yolov3架構的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

極詳細+超深入：最新版TensorFlow 1.x/2.x完整工程實作

為了解決yolov3架構的問題，作者李金洪 這樣論述：

TensorFlow 是目前使用最廣泛的機器學習架構，滿足了廣大使用者的需求。如今TensorFlow 已經更新到2.x 版本，具有更強的便利性。 本書透過大量的實例說明在TensorFlow 架構上實現人工智慧的技術，相容TensorFlow 1.x 與TensorFlow 2.x 版本，覆蓋多種開發場景。 　　◎ 詳盡闡述tensorflow 1.x/2.x完整內容 　　◎ 75個實作專案，包含最接近工業 / 商業用的典範    　　◎ 由淺入深的完整解說，徹底體會TensorFlow之美 　　史上強大的AI框架Tensorflow 2.X版終於出來了。 　　在綜合PyTorch

的動態圖架構和併入高階API Keras之後，Tensorflow又重回AI框架最炙手可熱的明星之一。 　　本書是針對已經有Tensorflow基礎的讀者，幫助讀者具備基礎的深度學習知識之後，更強化自身的功力。不再拘泥於簡單的CNN、MNIST、RNN等太基礎的內容。 　　全書重點包括： 　　► 75個工業及商用專案的完整實作 　　►在Windows/Linux下安裝Anaconda及GPU、CUDNN的完整介紹 　　►大量Transfer Learning的預載入模型說明 　　►Tensorflow的專屬資料集格式 　　►TF-Hub retrain或是fine-tune完整的預載入模型

　　►利用tf.estimator及tf.keras訓練模型的完整過程 　　►用Tensorflow做離散及連續資料的特徵工程 　　►不再只是單純的CNN，用膠囊網路做更準確的圖形辨識 　　►不只RNN，還有GRU及Attention機制、SRU、QRNN及Transformer機制 　　►自己動手做YOLOV3 Darknet 　　►最完整的Normalization說明，包括Batch Norm、Switchable Norm 　　►GAN大全，包括DeblurGAN及AttGAN 　　►CS612照片加工的AI基礎 　　►製作Tensorflow的模型完整說明 　　►在樹莓派、iPho

ne、Android上佈署Tensorflow的模型 本書特色 　　1. 相容TensorFlow 1.x 與2.x 版本，提供了大量的程式設計經驗 　　兼顧TensorFlow 1.x 與2.x 兩個版本，列出了如何將TensorFlow 1.x 程式升級為TensorFlow 2.x 可用的程式。 　　2. 覆蓋TensorFlow 的大量介面 　　由於TensorFlow 的程式反覆運算速度太快，有些介面的搭配文件並不是很全。作者花了大量的時間與精力，對一些實用介面的使用方法進行摸索與整理，並將這些方法寫到書中。 　　3. 提供高度可重用程式，公開了大量的商用程式片段 　　本書實

例中的程式大多都來自程式醫生工作室的商業專案，這些程式的便利性、穩定性、再使用性都很強。讀者可以將這些程式分析出來直接用在自己的專案中，加快開發進度。 　　4. 書中的實戰案例可應用於真實場景 　　書中大部分實例都是目前應用非常廣泛的通用工作，包含圖片分類、目標識別、像素分割、文字分類、語音合成等多個方向。讀者可以在書中介紹的模型的基礎上，利用自己的業務資料集快速實現AI 功能。 　　5. 從專案角度出發，覆蓋專案開發全場景 　　本書以專案實作為目標，全面覆蓋開發實際AI 專案中所有關的知識，並全部配有實例，包含開發資料集、訓練模型、特徵工程、開發模型、保護模型檔案、模型防禦、服務端和終端

的模型部署。其中，特徵工程部分全面說明了TensorFlow 中的特徵列介面。該介面可以使資料在特徵處理階段就以圖的方式進行加工，進一步確保在訓練場景下和使用場景下模型的輸入統一。 　　6. 提供大量前端論文連結位址，便於讀者進一步深入學習 　　本書使用的AI 模型，大多來自前端的技術論文，並在原有論文基礎上做了一些結構改進。這些實例具有很高的科學研究價值。讀者可以根據書中提供的論文連結位址，進一步深入學習更多的前端知識，再配合本書的實例進行充分了解，達到融會貫通。本書也可以幫助AI 研究者進行學術研究。 　　7. 注重方法與經驗的傳授 　　本書在說明知識時，更注重傳授方法與經驗。全書共有

幾十個「提示」標籤，其中的內容都是功力很高的成功經驗分享與易錯事項歸納，有關於經驗技巧的，也有關於風險避開的，可以幫助讀者在學習的路途上披荊斬棘，快速進步。  

yolov3架構進入發燒排行的影片

基於雙目視覺的物件辨識之拾取機器人

為了解決yolov3架構的問題，作者徐勝彥 這樣論述：

隨著全球的疫情擴散，每天出門必須戴著口罩，酒精隨身攜帶著，不管碰了什麼、拿了什麼物品後，都會拿起酒精消毒雙手。研究報告指出，病毒雖然在手上存活時間不久，但是在這期間假如帶有病毒的手去揉眼睛、摸鼻子、吃東西甚至拿起物品給他人，這時就會將病毒擴散出去。舉例高接觸風險工作者，像是機場清潔員、防疫旅館清潔員、醫院清潔員等，可能只是為了拿取染疫者地板垃圾或是遺留的物品，而感染到新冠病毒COVID19。因此本研究採用YOLOv5物件辨識模型進行物件辨識，透過YOLOv5的檢測速度快和定位精準等優勢，結合雙目視覺來假設人的雙眼，利用辨識結果之目標框得知左右鏡頭的物件座標後，便能使用測距公式來算出物件距離。

本論文中拾取機器人不僅具有物件測距的功能，還搭配機器人作業系統(ROS)能發布物件測距訊息給拾取機器人，也具備導航功能進行室內環境的巡邏。利用同時定位與地圖構建(SLAM)技術使拾取機器人能夠在室內環境中自主導航。並結合手臂將物件拾取，希望可以大幅降低高接觸風險工作者染疫的機率。

深度學習之PyTorch物體檢測實戰

為了解決yolov3架構的問題，作者董洪義 這樣論述：

《深度學習之PyTorch物體檢測實戰》從概念、發展、經典實現方法等幾個方面系統地介紹了物體檢測的相關知識，重點介紹了FasterRCNN、SDD和YOLO這三個經典的檢測器，並利用PyTorch框架從代碼角度進行了細緻講解。另外，《深度學習之PyTorch物體檢測實戰》進一步介紹了物體檢測的輕量化網路、細節處理、難點問題及未來的發展趨勢，從實戰角度給出了多種優秀的解決方法，便於讀者更深入地掌握物體檢測技術，從而做到在實際專案中靈活應用。 《深度學習之PyTorch物體檢測實戰》共10章，涵蓋的主要內容有物體檢測與PyTorch框架基礎概念與背景知識；PyTorch基礎知識；基礎卷積網路Ba

ckbone；兩階經典檢測器FasterRCNN；單階多層檢測器SSD；單階經典檢測器YOLO；模型加速之輕量化網路；物體檢測細節處理；物體檢測難點問題；物體檢測的未來發展。 《深度學習之PyTorch物體檢測實戰》內容豐富，講解通俗易懂，案例典型，實用性強，特別適合PyTorch框架愛好者和物體檢測相關從業人員閱讀，也適合深度學習和電腦視覺領域的研究人員閱讀。另外，《深度學習之PyTorch物體檢測實戰》還適合作為深度學習培訓機構的教材使用。   董洪義本科、碩士均畢業於北京航空航太大學。深度學習與PyTorch資深愛好者。現任百度自動駕駛高級演算法工程師。曾擔任Pha

ntomTiger演算法負責人、地平線智慧駕駛部門演算法實習生、北航國際拓展團團長。曾經被評為北京航空航太大學年度人物。曾經獲得了Kaggle競賽銀牌。本科期間成績年級第一，曾前往日本、英國、比利時、荷蘭等國的知名學校訪問交流。研究方向為自動駕駛感知、智慧型機器人與電腦視覺。有3年以上的深度學習研發經驗。 第1篇  物體檢測基礎知識 第1章  淺談物體檢測與PyTorch 2 1.1  深度學習與電腦視覺 2 1.1.1  發展歷史 2 1.1.2  電腦視覺 7 1.2  物體檢測技術 9 1.2.1  發展歷程 10 1.2.2  技術應用領域 11 1.2.3  評價

指標 12 1.3  PyTorch簡介 17 1.3.1  誕生與特點 17 1.3.2  各大深度學習框架對比 17 1.3.3  為什麼選擇PyTorch 19 1.3.4  安裝方法 20 1.4  基礎知識準備 22 1.4.1  Linux基礎 22 1.4.2  Python基礎 24 1.4.3  高效開發工具 29 1.5  總結 36 第2章  PyTorch基礎 37 2.1  基本資料：Tensor 37 2.1.1  Tensor資料類型 37 2.1.2  Tensor的創建與維度查看 39 2.1.3  Tensor的組合與分塊 41 2.1.4  Tensor

的索引與變形 42 2.1.5  Tensor的排序與取極值 46 2.1.6  Tensor的自動廣播機制與向量化 46 2.1.7  Tensor的記憶體共用 47 2.2  Autograd與計算圖 48 2.2.1  Tensor的自動求導：Autograd 49 2.2.2  計算圖 50 2.2.3  Autograd注意事項 51 2.3  神經網路工具箱torch.nn 52 2.3.1  nn.Module類 52 2.3.2  損失函數 55 2.3.3  優化器nn.optim 56 2.4  模型處理 59 2.4.1  網路模型庫：torchvision.models

59 2.4.2  載入預訓練模型 60 2.4.3  模型保存 61 2.5  資料處理 61 2.5.1  主流公開資料集 61 2.5.2  數據載入 63 2.5.3  GPU加速 65 2.5.4  數據視覺化 66 2.6  總結 68 第3章  網路骨架：Backbone 69 3.1  神經網路基本組成 69 3.1.1  卷積層 70 3.1.2  啟動函數層 72 3.1.3  池化層 75 3.1.4  Dropout層 76 3.1.5  BN層 77 3.1.6  全連接層 79 3.1.7  深入理解感受野 81 3.1.8  詳解空洞卷積（Dilated Co

nvolution） 82 3.2  走向深度：VGGNet 83 3.3  縱橫交錯：Inception 87 3.4  里程碑：ResNet 93 3.5  繼往開來：DenseNet 95 3.6  特徵金字塔：FPN 99 3.7  為檢測而生：DetNet 106 3.8  總結 110 第2篇  物體檢測經典框架 第4章  兩階經典檢測器：Faster RCNN 112 4.1  RCNN系列發展歷程 112 4.1.1  開山之作：RCNN 112 4.1.2  端到端：Fast RCNN 113 4.1.3  走向即時：Faster RCNN 114 4.2  準備工作 11

4 4.3  Faster RCNN總覽 115 4.4  詳解RPN 117 4.4.1  理解Anchor 117 4.4.2  RPN的真值與預測量 119 4.4.3  RPN卷積網路 120 4.4.4  RPN真值的求取 122 4.4.5  損失函數設計 124 4.4.6  NMS與生成Proposal 125 4.4.7  篩選Proposal得到RoI 126 4.5  RoI Pooling層 127 4.6  全連接RCNN模組 130 4.6.1  RCNN全連接網路 130 4.6.2  損失函數設計 131 4.7  Faster RCNN的改進演算法 131 4

.7.1  審視Faster RCNN 132 4.7.2  特徵融合：HyperNet 133 4.7.3  實例分割：Mask RCNN 134 4.7.4  全卷積網路：R-FCN 137 4.7.5  級聯網路：Cascade RCNN 139 4.8  總結 141 第5章  單階多層檢測器：SSD 142 5.1  SSD總覽 142 5.1.1  SSD的演算法流程 142 5.1.2  代碼準備工作 143 5.2  數據預處理 144 5.2.1  載入PASCAL資料集 144 5.2.2  資料增強 144 5.3  網路架構 148 5.3.1  基礎VGG結構 14

8 5.3.2  深度卷積層 149 5.3.3  PriorBox與邊框特徵提取網路 150 5.3.4  總體網路計算過程 153 5.4  匹配與損失求解 154 5.4.1  預選框與真實框的匹配 154 5.4.2  定位損失的計算 155 5.4.3  難樣本挖掘 156 5.4.4  類別損失計算 156 5.5  SSD的改進演算法 157 5.5.1  審視SSD 157 5.5.2  特徵融合：DSSD 158 5.5.3  彩虹網路：RSSD 160 5.5.4  基於SSD的兩階：RefineDet 162 5.5.5  多感受野融合：RFBNet 165 5.6  總

結 166 第6章  單階經典檢測器：YOLO 167 6.1  無錨框預測：YOLO v1 167 6.1.1  網路結構 167 6.1.2  特徵圖的意義 168 6.1.3  損失計算 169 6.2  依賴錨框：YOLO v2 171 6.2.1  網路結構的改善 171 6.2.2  先驗框的設計 173 6.2.3  正、負樣本與損失函數 175 6.2.4  正、負樣本選取代碼示例 176 6.2.5  工程技巧 179 6.3  多尺度與特徵融合：YOLO v3 180 6.3.1  新網路結構DarkNet-53 180 6.3.2  多尺度預測 181 6.3.3  S

oftmax改為Logistic 182 6.4  總結 183 第3篇  物體檢測的難點與發展 第7章  模型加速之輕量化網路 186 7.1  壓縮再擴展：SqueezeNet 188 7.1.1  SqueezeNet網路結構 188 7.1.2  SqueezeNet總結 190 7.2  深度可分離：MobileNet 191 7.2.1  標準卷積 191 7.2.2  深度可分離卷積 192 7.2.3  MobileNet v1結構 193 7.2.4  MobileNet v1總結 198 7.2.5  MobileNet v2 198 7.3  通道混洗：ShuffleN

et 200 7.3.1  通道混洗 201 7.3.2  網路結構 202 7.3.3  ShuffleNet v2 205 7.4  總結 207 第8章  物體檢測細節處理 209 8.1  非極大值抑制：NMS 209 8.1.1  NMS基本過程 210 8.1.2  抑制得分：Soft NMS 212 8.1.3  加權平均：Softer NMS 213 8.1.4  定位置信度：IoU-Net 215 8.2  樣本不均衡問題 217 8.2.1  不均衡問題分析 217 8.2.2  線上難樣本挖掘：OHEM 219 8.2.3  專注難樣本：Focal Loss 221 8

.3  模型過擬合 224 8.3.1  資料增強 226 8.3.2  L1與L2正則化 227 8.4  總結 229 第9章  物體檢測難點 230 9.1  多尺度檢測 230 9.1.1  多尺度問題 230 9.1.2  降低下取樣速率與空洞卷積 232 9.1.3  Anchor設計 233 9.1.4  多尺度訓練 235 9.1.5  特徵融合 235 9.1.6  尺度歸一化：SNIP 236 9.1.7  三叉戟：TridentNet 238 9.2  擁擠與遮擋 239 9.2.1  遮擋背景 240 9.2.2  排斥損失：Repulsion Loss 242 9.

2.3  OR-CNN 244 9.3  總結 247 第10章  物體檢測的未來發展 248 10.1  重新思考物體檢測 248 10.1.1  精度與速度的權衡 249 10.1.2  卷積網路的可解釋性與穩定性 249 10.1.3  訓練：微調還是隨機初始化 250 10.1.4  考慮物體間關係的檢測 251 10.1.5  優化卷積方式 252 10.1.6  神經架構搜索：NAS 253 10.1.7  與產業結合的創新 255 10.2  擺脫錨框：Anchor-Free 257 10.2.1  重新思考Anchor 257 10.2.2  基於角點的檢測：CornerNe

t 258 10.2.3  檢測中心點：CenterNet 262 10.2.4  錨框自學習：Guided Anchoring 264 10.3  總結 266   隨著深度學習的飛速發展，電腦視覺技術取得了令人矚目的成果，尤其是物體檢測這一基礎又核心的分支，誕生了眾多經典演算法，在自動駕駛、智慧醫療、智慧安防及搜索娛樂等多個領域都得到了廣泛應用。與此同時，誕生於2017年的PyTorch框架，憑藉其簡潔優雅、靈活易上手等優點，給開發人員留下了深刻的印象。 目前，國內圖書市場上已經出版了幾本PyTorch方面的圖書，但大多數圖書停留在淺層的概念與簡單示例的講解上，缺乏實

用性，而且也沒有一本系統講解PyTorch物體檢測方面的圖書。因此，圖書市場上迫切需要一本系統介紹PyTorch物體檢測技術的書籍。這便是筆者寫作《深度學習之PyTorch物體檢測實戰》的初衷。 《深度學習之PyTorch物體檢測實戰》是國內原創圖書市場上首部系統介紹物體檢測技術的圖書。書中利用PyTorch深度學習框架，從代碼層面講解了FasterRCNN、SSD及YOLO這三大經典框架的相關知識，並進一步介紹了物體檢測的細節與難點問題，讓讀者可以全面、深入、透徹地理解物體檢測的種種細節，並能真正提升實戰能力，從而將這些技術靈活地應用到實際開發中，享受深度學習帶來的快樂。 《深度學習之P

yTorch物體檢測實戰》特色 1.系統介紹了PyTorch物體檢測技術 《深度學習之PyTorch物體檢測實戰》深入物體檢測這一基礎又核心的技術，從其誕生背景、主流演算法、難點問題、發展趨勢等多個角度詳細介紹了物體檢測知識，並結合代碼給出了多個演算法的實現。 從代碼角度詳細介紹了物體檢測的三大演算法 《深度學習之PyTorch物體檢測實戰》介紹了FasterRCNN、SSD及YOLO這三個影響深遠的檢測演算法，從代碼層面詳細介紹了它們所實現的每一個細節與難點，並進行了優缺點分析，而且給出了多種優化演算法。 涵蓋所有主流的物體檢測演算法 《深度學習之PyTorch物體檢測實

戰》幾乎涵蓋所有主流的物體檢測演算法，包括VGGNet、ResNet、FPN、DenseNet和DetNet等卷積基礎網路，以及從FasterRCNN、HyperNet、MaskRCNN、SSD、RefineDet、YOLOv1到YOLOv3、RetinaNet、CornerNet和CenterNet等物體檢測演算法，呈現給讀者一個完整的知識體系。 給出了多個實際的物體檢測實例，有很強的實用性 《深度學習之PyTorch物體檢測實戰》對PyTorch的知識體系進行了較為精煉的介紹，還結合物體檢測演算法重點介紹了PyTorch實現的多個物體檢測實例。因此《深度學習之PyTorch物體檢

測實戰》不僅是一本很好的PyTorch框架學習書籍，更是一本PyTorch物體檢測實戰寶典。 對物體檢測技術常見的細節、難點及發展做了詳細分析 《深度學習之PyTorch物體檢測實戰》不僅對物體檢測技術的熱門話題做了詳細分析，例如非極大值抑制、樣本不均衡、模型過擬合、多尺度檢測、物體擁擠與遮擋等，而且對各種細節與常見問題做了詳細分析，並給出了多種解決方法。 《深度學習之PyTorch物體檢測實戰》內容 第1篇物體檢測基礎知識 本篇涵蓋第1~3章，介紹了物體檢測技術與PyTorch框架的背景知識與必備的基礎知識。主要內容包括物體檢測技術的背景與發展；物體檢測的多種有效工具；PyTor

ch背景知識與基礎知識；多種基礎卷積神經網路的相關知識與具體實現等。掌握本篇內容，可以為讀者進一步學習物體檢測技術奠定基礎。 第2篇物體檢測經典框架 本篇涵蓋第4~6章，介紹了FasterRCNN、SSD與YOLO三大經典演算法的思想與實現。主要內容包括FasterRCNN兩階演算法的思想；錨框Anchor的意義與實現；FasterRCNN的多種改進演算法；SSD單階演算法的思想與實現；SSD的資料增強方法及多種改進演算法；YOLO單階演算法的三個版本演變過程及具體實現等。掌握本篇內容，可以讓讀者從代碼角度學習物體檢測的種種細節。 第3篇物體檢測的難點與發展 本篇涵蓋第7~10章，介紹了物

體檢測技術的細節、難點及未來發展。主要內容包括針對模型加速的多種輕量化網路思想與實現；非極大值抑制；樣本不均衡及模型過擬合等物體檢測細節問題的背景知識與解決方法；多尺度、擁擠與遮擋等物體檢測難點問題的背景知識與解決方法；多種擺脫錨框的檢測演算法；物體檢測的未來發展趨勢等。掌握本篇內容，可以讓讀者更加深入地學習物體檢測的相關技術。 《深度學習之PyTorch物體檢測實戰》讀者物件 需要全面學習物體檢測技術的人員； PyTorch框架愛好者和研究者； 電腦視覺從業人員與研究者； 深度學習從業人員與愛好者； 自動駕駛、智慧安防等領域的開發人員； 人工智慧相關產業的從業人員； 電腦、機器人等專業的高

校學生。 閱讀建議 沒有物體檢測與PyTorch基礎的讀者，建議從第1章順次閱讀並演練每一個實例。 有一定PyTorch與物體檢測基礎的讀者，可以根據實際情況有重點地選擇閱讀各個演算法的細節。 對於每一個檢測演算法，建議讀者先閱讀一下原論文，多思考演算法設計的動機與目的，並重點思考如何用代碼實現，這會加深讀者對檢測演算法的理解。原論文的下載地址和《深度學習之PyTorch物體檢測實戰》原始程式碼檔一起提供。 多思考各種物體檢測演算法的優缺點、相互之間的聯繫與區別，以及可以優化和改進的細節等，形成完整的知識體系樹，這樣會進一步加深讀者對知識的理解。 配書資源獲取方式 《深度學習之PyTorc

h物體檢測實戰》涉及的全部原始程式碼都放在了GitHub上，需要讀者自行下載。下載地址見圖書。 有些章節的代碼較多，但在書中僅給出了重要的片段代碼，完整代碼以GitHub上的代碼為准。 另外，讀者也可以登錄華章公司的網站www.hzbook.com，搜索到《深度學習之PyTorch物體檢測實戰》，然後按一下“資料下載”按鈕，即可在本書頁面上找到相關的下載連結。 致謝 《深度學習之PyTorch物體檢測實戰》的編寫得到了許多人的幫助。可以說，《深度學習之PyTorch物體檢測實戰》是多人共同努力的結晶。感謝北京源智天下科技有限公司的王蕾，她在稿件整理方面幫我做了大量的工作！感謝王田苗教授、陶吉

博士、夏添博士、侯濤剛博士、嚴德培、單增光、王策、鄂俊光、李成、丁甯、付航、高鵬、朱本金、彭強、王粟瑤、張騰、王兆瑋、黃彬效和拓萬琛等人，他們對《深度學習之PyTorch物體檢測實戰》提出了許多寶貴的意見和建議！感謝我的女朋友及家人，他們一直以來都對我鼓勵有加，給我寫作《深度學習之PyTorch物體檢測實戰》以最大的動力！感謝為《深度學習之PyTorch物體檢測實戰》付出辛勤工作的每一位編輯，他們認真、細緻的工作讓《深度學習之PyTorch物體檢測實戰》品質提高不少！ ……  

水稻空拍影像植株定位與計數之YOLO輕量化研究

為了解決yolov3架構的問題，作者鐘凱倫 這樣論述：

水稻是一種非常重要的農產品，特別是亞洲地區，例如：台灣、日本、中國等，它是許多人每日必備的食物。水稻總出口值高達1億3千3百多萬美金，總共佔穀類以及其製品的出口值約24.7%之多。過去已有許多學者針對水稻不同面向進行研究，例如：運用機器學習來推估水稻產量、運用卷積神經網路來推估水稻抽穗日期及運用卷積神經網路來分類水稻葉子病害等。為了能更好的監控水稻產量，通常會在水稻幼苗時期就進行關注。過去許多學者使用影像處理技術來完成水稻植株的計數，但有可能因為天氣的不同使得影像色彩不一樣，而無法使用同一種方法來完成計數，也有可能因為有雜草或其他非水稻之障礙物造成計數上的錯誤，在過去研究中也幾乎沒有學者使用

物件偵測技術來植株定位。本研究透過機器學習的技術運用YOLO模型，探究物件偵測技術，來完成水稻植株定位與計數，為了改善模型效能並深入研究YOLOv4架構並進行調整，藉此模型調整來減少訓練時間與減少模型計算量，進而達成輕量化模型之目的。本研究藉由Yang等學者提供的水稻空拍影像資料集，建立一套物件偵測自動定位及計算植株之系統。本研究分別實驗了YOLOv3-tiny、YOLOv4-tiny、YOLOv3、YOLOv4，以及改良YOLOv4由本研究提出的YOLOv4-M1和YOLOv4-M2模型來進行實驗，從實驗可以得知本研究的YOLOv4-M1與YOLOv4-M2在訓練模型時，可以比YOLOv4節

省1.34與1.63倍的訓練時間，參數量比YOLOv4少了4000萬，還能同時維持相當的準確率，因此本研究所提之模型可用來改善無人機空拍稻田影像之水稻植株偵測及計數。