YOLO升级到v3版，检测速度比R-CNN快1000倍

译者 | 林椿眄

出品 | 人工智能头条（公众号ID：AI_Thinker）

【人工智能头条导读】YOLO 是当前性能最佳的一个实时检测系统，它在 Pascal Titan X 显卡上处理 COCO test-dev 数据集的图片，速度能达到 30 FPS， mAP 可达 57.9% 。另外， YOLOv3 的检测速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。本文详细展示了升级后的 YOLOv3 与其他检测器的数据对比，以及 YOLOv3 的工作原理等。

▌与其他检测器相对比

YOLOv3 是非常快速而且准确的检测器。在 IoU=0.5 的情况下，其 mAP 值与 Focal Loss 相当，但检测速度快了 4 倍。此外，你可以根据你的需要，在只需改变模型的大小而不需要进行重新训练的情况下，就可以轻松地权衡检测速度和准确度。

▌在 COCO 数据集上的表现

▌YOLOv3 的工作原理

先前的检测系统是分别设计分类器或定位器，并让其分别来执行检测任务。它们将模型应用于图片中，图片中目标的位置和尺寸各不相同，图片的高得分区域被认为是检测区域。

在此，我们采用了完全不同的方法。我们将一个简单的神经网络应用于整张图像。该网络会将图像分割成一块块区域，并预测每个区域目标的的边界框（bounding box）和概率。此外，预测的概率值还对这些边界框进行加权。

我们的模型相较之前的基于分类的检测系统有如下优势：在测试阶段，它是以整张图像作为输入，预测会由图像中的全局上下文 ( global context ) 引导。此外，我们的模型不像 R-CNN 这种检测系统，需要对一张图做出成千上万次预测，我们的模型只需要通过单个神经网络既能够做出预测评估。

不仅如此，YOLOv3 的检测速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。感兴趣的可以参阅论文（https://pjreddie.com/media/files/papers/YOLOv3.pdf），了解更多关于完整系统的细节。

YOLOv3 的创新点

YOLOv3 用了一些小技巧来改善模型训练并提高其检测性能，包括多尺度预测，更好的主干分类器等等。更多详细信息可以通过我们的论文进一步了解。

用一个预训练模型进行检测

接下来，我们将使用一个预训练模型，在 YOLO系统中实现目标检测。首先，请先确认你已安装了 Darknet 。接下来运行如下语句：

git clone https://github.com/pjreddie/darknet
cd darknet
make

这样一来，在你的 cfg/ 子目录中就有了 YOLO 配置文件。接下来你需要下载预训练的 weight 文件（ https://pjreddie.com/media/files/yolov3.weights ），大小约为 237 MB。或者也可以运行如下语句来获得：

wget https://pjreddie.com/media/files/yolov3.weights

然后运行检测器。

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg

你将看到类似如下的输出结果：

layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32  0.299 BFLOPs
    1 conv     64  3 x 3 / 2   416 x 416 x  32   ->   208 x 208 x  64  1.595 BFLOPs
    .......
  105 conv    255  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 255  0.353 BFLOPs
  106 detection
truth_thresh: Using default '1.000000'
Loading weights from yolov3.weights...Done!
data/dog.jpg: Predicted in 0.029329 seconds.
dog: 99%
truck: 93%
bicycle: 99%

Darknet 会输出检测到的物体、置信度 confidence 以及检测的时间。我们没有用 OpenCV 来编译 Darknet ，所以我们无法直接查看检测情况。检测的结果将被保存在 predictions.png 中。你可以打开这个图片来查看我们模型所检测到的对象。此外，由于我们是在 CPU 上使用 Darknet ，检测每张图片大约需要 6-12 秒，如果有条件使用 GPU 的话，检测速度将快得多。

此外，我还附上了一些例图来供参考，你可以用我们的模型尝试 data/eagle.jpg ，data/dog.jpg ， data/person.jpg 或 data/horses.jpg 这些图片，看看最终的检测结果。

detect 指令是对命令行的常规版本的缩写，它等价于如下的命令行操作：

./darknet detector test cfg/coco.data cfg/yolov3.cfg yolov3.weights data/dog.jpg

如果你只是想检测一张图像，那么你并不需要了解这个，但如果你想做其他的事情，比如在网络摄像头上运行 YOLO (稍后详细描述)，那么这将对你非常有用。

检测多张图像

相比于在命令行写入一张图像信息，你可以尝试在一行命令中运行多张图片。随后，模型会加载配置和权重，你将看到如下提示：

./darknet detect cfg/yolov3.cfg yolov3.weights
layer     filters    size              input                output
    0 conv     32  3 x 3 / 1   416 x 416 x   3   ->   416 x 416 x  32  0.299 BFLOPs
    1 conv     64  3 x 3 / 2   416 x 416 x  32   ->   208 x 208 x  64  1.595 BFLOPs
    .......
  104 conv    256  3 x 3 / 1    52 x  52 x 128   ->    52 x  52 x 256  1.595 BFLOPs
  105 conv    255  1 x 1 / 1    52 x  52 x 256   ->    52 x  52 x 255  0.353 BFLOPs
  106 detection
Loading weights from yolov3.weights...Done!
Enter Image Path:

输入一个类似 data/horses.jpg 的图像路径来预测图中目标的边框。

一旦完成，它将提示你输入更多路径来检测不同的图像。使用 Ctrl-C 退出当前程序。

改变检测的阈值

默认情况下，YOLO 只会显示检测目标的置信度 confidence 大于等于 0.25 的物体。你也可以在 YOLO 命令中加入 -thresh <val> 语句来更改检测置信度阈值。例如，将置信度阈值设置为 0 可以显示所有的检测结果：

./darknet detect cfg/yolov3.cfg yolov3.weights data/dog.jpg -thresh 0

可以看到，这样的阈值设置并不是特别有用。你应该根据你的需要设置不同的阈值来控制你想要的检测结果。

▌使用网络摄像头进行实时检测

如果在测试数据上运行 YOLO 却得不到想要的检测结果，那将是很郁闷的事情。与其用一堆图片作为 YOLO 的输入，不如选择摄像头输入。

要运行如下 demo，你只需要用 CUDA 和 OpenCV 来编译 Darknet 。接下来运行如下命令行：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights

YOLO 将会显示当前的 FPS 和目标的预测分类，以及带 bounding box 的图像。

你需要一个连接到电脑的摄像头以便连接 OpenCV，否则它将无法工作。如果你连接了多个摄像头而只想选择其中某一个，可以使用 -c <num> 语句 ( OpenCV 在默认情况下使用摄像头 0 )。

如果 OpenCV 可以直接读取视频数据，那么你也可以在视频文件中运行如下命令：

./darknet detector demo cfg/coco.data cfg/yolov3.cfg yolov3.weights <video file>

以上就是我们展示的是如何使用Youtube视频数据作为YOLO的输入。

▌在 VOC 数据集上训练 YOLO

如果你想在 YOLO 上尝试不同的训练机制，超参数或数据集，那么你可以从头开始训练 YOLO 。 以下我将展示是如何在 YOLO 上使用 Pascal VOC 数据集。

获取 Pascal VOC 数据

首先我们需要 2007 - 2012 年间的所有 VOC 数据，你可以通过这个链接下载获取（ https://pjreddie.com/projects/pascal-voc-dataset-mirror/ ）。然后，你需要先存储这些数据，运行如下命令：

wget https://pjreddie.com/media/files/VOCtrainval_11-May-2012.tar
wget https://pjreddie.com/media/files/VOCtrainval_06-Nov-2007.tar
wget https://pjreddie.com/media/files/VOCtest_06-Nov-2007.tar
tar xf VOCtrainval_11-May-2012.tar
tar xf VOCtrainval_06-Nov-2007.tar
tar xf VOCtest_06-Nov-2007.tar

这样，所有的 VOC 训练数据都在 VOCdevkit / 子目录下。

生成 VOC 数据集的标签

现在，需要生成 Darknet 模型所需的标签文件。Darknet 需要的是每张图片的 .txt 文件，其内容是图片中目标的真实标签值，格式如下：

<object-class> <x> <y> <width> <height>

其中，x ，y ， width 和 height 分别对应图像的宽和高。需要在 Darknet 中的 scripts/ 子目录下运行 voc_label.py 脚本来生成这些文件。我们运行如下命令行来演示下这个过程：

wget https://pjreddie.com/media/files/voc_label.pypython voc_label.py

几分钟后，这个脚本将生成 Darknet 的所需文件。大部分标签文件是在 VOCdevkit/VOC2007/labels/ 和 VOCdevkit/VOC2012/labels/ 下，你可以在目录下查看如下信息：

ls
2007_test.txt   VOCdevkit
2007_train.txt  voc_label.py
2007_val.txt    VOCtest_06-Nov-2007.tar
2012_train.txt  VOCtrainval_06-Nov-2007.tar
2012_val.txt    VOCtrainval_11-May-2012.tar

诸如 2007_train.txt 这样的文件列出了图像文件的年份和所处的图像集。Darknet 需要一个包含你想要训练的所有图片的文件。在这个例子中，我们要训练的是除了 2007 测试集以外的所有数据。你可以运行如下语句：

cat 2007_train.txt 2007_val.txt 2012_*.txt > train.txt

这样，我们可以用一个大的列表来显示我们想要的数据，包括 2007 trainval 和 2012 trainval 数据集。以上就是我们数据准备阶段的工作。

修改 Pascal Data 中的 cfg 文件

现在，我们在 Darknet 目录，改变 cfg/voc.data 配置文件并使其指向我们的数据，运行如下命令：

 1 classes= 20
  2 train  = <path-to-voc>/train.txt
  3 valid  = <path-to-voc>2007_test.txt
  4 names = data/voc.names
  5 backup = backup

可以将 <path-to-voc> 替换为你存放 VOC 数据集的目录。

下载预训练好的卷积权重

训练阶段，我们使用在 Imagenet 上预训练的卷积权重。在这里我们使用预训练的 darknet53 模型权重，你可以点击这里下载卷积层权重（ https://pjreddie.com/media/files/darknet53.conv.74 ），大小约为 76 MB：

wget https://pjreddie.com/media/files/darknet53.conv.74

训练模型

现在，我们运行如下命令来训练我们的模型：

./darknet detector train cfg/voc.data cfg/yolov3-voc.cfg darknet53.conv.74

▌在 COCO 上训练 YOLO

如果你想在 YOLO 上尝试不同的训练机制，超参数或数据集，那么你可以从头开始训练 YOLO 。 以下我将展示是如何在 YOLO 上使用 COCO 数据集。

获取 COCO 数据

为了在 COCO 数据集上训练 YOLO 模型，首先你需要获取 COCO 数据及其标签。运行 scripts/get_coco_dataset.sh 脚本，并给出你想存放 COCO 数据的地址，然后下载数据，如下命令：

cp scripts/get_coco_dataset.sh data
cd data
bash get_coco_dataset.sh

现在，你已经有了训练 Darknet 模型所需的数据及标签值。

修改 COCO 数据集中的 cfg 文件

现在，我们在 Darknet 目录，改变 cfg/voc.data 配置文件并使其指向我们的数据，运行如下命令：

 1 classes= 80
  2 train  = <path-to-coco>/trainvalno5k.txt
  3 valid  = <path-to-coco>/5k.txt
  4 names = data/coco.names
  5 backup = backup

你可以将 <path-to-coco> 替换为你存放 COCO 数据集的目录。

你还需要在训练时修改模型的 cfg 文件，而不是测试阶段的 . cfg/yolo.cfg，操作如下：

[net]
# Testing
# batch=1
# subdivisions=1
# Training
batch=64
subdivisions=8
....

训练模型

现在，我们运行如下命令来训练我们的模型：

./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74

如果你想在多 GPU 环境下运行的话，运行如下命令：

./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpus 0,1,2,3

如果你想在停止当前训练并从某个检查点 ( checkpoint ) 开始重新训练的话，运行如下命令：

./darknet detector train cfg/coco.data cfg/yolov3.cfg backup/yolov3.backup -gpus 0,1,2,3

▌旧版本的 YOLO

如果你想使用 YOLO2 版本，你可以通过以下链接获取：https://pjreddie.com/darknet/yolov2/

▌引用

如果你想在你的研究中使用 YOLOv3 ，请引用我们的论文：

@article{yolov3,
  title={YOLOv3: An Incremental Improvement},
  author={Redmon, Joseph and Farhadi, Ali},
  journal = {arXiv},
  year={2018}
}

作者 | Joseph Redmon Ali Farhadi

原文链接 | https://pjreddie.com/darknet/yolo/