Fel algorithm adnabod targed sy'n seiliedig ar atchweliad, gall YOLOv3 gyflawni adnabyddiaeth gyflym a chywir o dargedau lluosog. Mae YOLOv3 yn hyfforddi ar ranbarth byd-eang y ddelwedd fewnbwn, sy'n cyflymu hyfforddiant ac yn caniatáu gwell gwahaniaethu rhwng targedau a chefndir. Yn gyntaf, defnyddir rhwydwaith asgwrn cefn Darknet i dynnu nodweddion diffyg arwyneb proffiliau alwminiwm, ac yna defnyddir y ffrâm darged i ragfynegi'r categori a'r lleoliad targed yn uniongyrchol. Mae diffygion wyneb proffiliau alwminiwm yn afreolaidd eu siâp, ar hap mewn lleoliad ac yn amrywio o ran maint. Mae'n anodd nodi diffygion bach yn gywir trwy gymhwyso model YOLOv3 yn uniongyrchol i'w hadnabod.
Mae'r erthygl hon yn gwella model YOLOv3 yn seiliedig ar ddadansoddiad manwl o'i nodweddion. Ehangu'r 3-strwythur adnabod graddfa wreiddiol i 4 graddfa i wella'r gallu i adnabod mân ddiffygion; adeiladu ffrâm darged gychwynnol sy'n addas ar gyfer diffygion wyneb proffil alwminiwm trwy ddadansoddiad ail-glystyru, a gwella paramedrau model algorithm YOLO; defnyddio dulliau hyfforddi aml-raddfa i hyfforddi Mae'r broses wedi'i optimeiddio i wella addasrwydd a chywirdeb adnabod y model i ddiffygion o wahanol raddfeydd, ac i ddatrys problemau megis anhawster wrth nodi diffygion arwyneb a chywirdeb isel proffiliau alwminiwm.