YOLO 升级到 v3 版，速度相比 RetinaNet 快 3.8 倍

雷锋网 AI 研习社按，YOLO 是一种非常流行的目标检测算法，速度快且结构简单。日前，YOLO 作者推出 YOLOv3 版，在 Titan X 上训练时，在 mAP 相当的情况下，v3 的速度比 RetinaNet 快 3.8 倍。在 YOLOv3 官网上，作者展示了一些对比和案例。在论文中，他们对 v3 的技术细节进行了详细说明。雷锋网 AI 研习社将内容编译整理如下。

我们针对 YOLO 做了一些更新，在设计上进行了一些小改动，让它变得更好。当然，我们也训练了这个新网络，它的性能非常优秀。它比前一版本要大一点，但更准确。当然了，不必担心会牺牲速度，它仍然很快。YOLOv3 可以在 22ms 之内执行完一张 320 × 320 的图片，mAP 得分是 28.2，和 SSD 的准确率相当，但是比它快三倍。

此外，它在 Titan X 上经过 51 ms 训练，mAP50 为 57.9，相比之下，RetinaNet 经过 198ms 的训练之后 mAP50 为 57.5。对比起来，两者的性能差异不大，但是 YOLOv3 比 RetinaNet 快 3.8 倍。

所有的代码都在 https://pjreddie.com/yolo/上。

与其他检测器相对比

YOLOv3 非常快速和准确，在 IoU=0.5 的情况下，与 Focal Loss 的 mAP 值相当，但快了 4 倍。此外，大家可以轻松在速度和准确度之间进行权衡，只需改变模型的大小，而不需要重新训练。

在 COCO 数据集上的表现

工作原理

先前的检测系统是让分类器或定位器来执行检测任务。他们将模型应用于图片中，图片里物体的位置和尺寸各异，图像的高得分区域被认为是检测区域。

我们采用了完全不同的方法——将一个简单的神经网络应用于整张图像。该网络将图像分割成一块块区域，并预测每个区域的 bounding box 和概率，此外，预测概率还对这些 bounding box 进行加权。

我们的模型相较基于分类的检测系统有如下优势：它在测试时观察整张图像，预测会由图像中的全局上下文（global context）引导。它还通过单一网络评估做出预测，而不像 R-CNN 这种系统，一张图就需要成千上万次预测。对比起来，YOLO 的速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。

可以参阅我们的论文（https://pjreddie.com/media/files/papers/YOLOv3.pdf），了解关于完整系统的更多细节。

在 v3 中，有哪些全新的方法呢？

YOLOv3 用了一些小技巧来改进训练、提高性能，包括多尺度预测，更好的主干分类器等等。

同样，详细信息我们也全写在论文（https://pjreddie.com/media/files/papers/YOLOv3.pdf）上了。

用预训练模型进行检测

接下来是利用 YOLO 使用预训练模型来检测物体。请先确认已经安装 Darknet。接下来运行如下语句：

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

这样一来 cfg/子目录中就有了 YOLO 配置文件，接下来下载预训练的 weight 文件（237 MB）（https://pjreddie.com/media/files/yolov3.weights），或者运行如下语句：

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

然后执行检测器：

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

输出如下：

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、confidence 以及检测时间。我们没有用 OpenCV 编译 Darknet，所以它不能直接显示检测情况。检测情况保存在 predictions.png 中。大家可以打开这个图片来查看检测到的对象。我们是在 CPU 上使用 Darknet，检测每张图片大约需要 6-12 秒，如果使用 GPU 将快得多。

我还附上了一些例子给大家提供灵感，你们可以试试 data/eagle.jpg，data/dog.jpg，data/person.jpg 或 data/horses.jpg。

detect 指令是对 command 的常规版本的简写：

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

如果你只是想检测图像，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，这将非常有用（稍后详细描述）。

多个图像

在 command 行不写图像信息的话就可以连续运行多个图片。当加载完配置和权重，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:

输入类似 data/horses.jpg 的图像路径来进行边框预测。

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 退出程序。

改变检测门限

默认情况下，YOLO 只显示检测到的 confidence 不小于 0.25 的物体。可以在 YOLO 命令中加入-thresh <val>来更改检测门限。例如，将门限设置为 0 可以显示所有的检测结果：

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

网络摄像头实时检测

如果在测试数据上运行 YOLO 却看不到结果，那将很无聊。与其在一堆图片上运行 YOLO，不如选择摄像头输入。

要运行如下 demo，需要用 CUDA 和 OpenCV 来编译 Darknet。接下来运行如下指令：

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

YOLO 将会显示当前的 FPS 和预测的分类，以及伴有边框的图像。

你需要一个连接到电脑的摄像头并可以让 OpenCV 连接，否则就无法工作。如果有连接多个摄像头并想选择其中某一个，可以使用 -c <num>（OpenCV 在默认情况下使用摄像头 0）语句。如果 OpenCV 可以读取视频，也可以在视频文件中运行：

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

在 VOC 数据集上训练 YOLO

首先需要 2007-2012 年的所有 VOC 数据，这是下载地址：https://pjreddie.com/projects/pascal-voc-dataset-mirror/，为了存储数据，执行如下语句：

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

接下来所有 VOC 训练数据都在 VOCdevkit/ 子目录下。

生成标签

接下来需要生成 Darknet 使用的标签文件。Darknet 需要的.txt 文件格式如下：

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

x, y, width 和 height 对应图像的宽和高。需要在 Darknet scripts/子目录下运行 voc_label.py 脚本来生成这些文件。

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

几分钟后，这个脚本将生成所有必需文件。大部分标签文件是在 VOCdevkit/VOC2007/labels/ 和 VOCdevkit/VOC2012/labels/ 下，大家可以在目录下看到如下信息：

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

类似 2007_train.txt 的语句列出了图像文件的年份和图像集。Darknet 需要一个包含所有你想要训练的图片的文本文件。在这个例子中，我们训练除了 2007 测试集的所有数据。运行如下语句：

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

修正

现在去 Darknet 目录，需要改变 cfg/voc.data 配置文件以指向数据：

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

将<path-to-voc>替换为你存放 VOC 数据的目录。

下载预训练卷积权重

在训练中使用在 Imagenet 上预训练的卷积权重。我们这里使用 darknet53 模型的权重，可以点击这里https://pjreddie.com/media/files/darknet53.conv.74下载卷积层权重：

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

训练模型

接下来执行如下语句进行训练：

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

在 COCO 上的训练与 VOC 上类似，大家可以在这里查看详情。

YOLOv3 论文地址如下：

https://pjreddie.com/media/files/papers/YOLOv3.pdf