手把手教你用深度学习做物体检测(七)：YOLOv3介绍

YOLOv3

论文：《 YOLOv3: An Incremental Improvement 》

地址： https://arxiv.org/pdf/1804.02767.pdfyolov3

相比之前版本的改进

• 网络的特征提取部分 由 Darknet-19改成了 Darknet-53，更深了，速度确有下降，但是相比ResNet来说仍然高很多。

b799f7151e3a56e0c6678fdae50a3c00.png

9d554116caf26a6a91d11ab2569aec06.png

• 跨尺度预测 yolov3网络在3个不同尺寸的特征图下，每个尺寸的特征图预测出3个boxes，anchor box还是采用聚类的方法得到9个anchor box，然后3个不同的尺寸特征图各得到3个anchor box。 这样就得到了N ×N ×[3∗(4+1+80)] ，N为格子大小(13*13、26*26、52*52)，3为每个格子得到的边界框数量， 4是边界框参数数量(x,y,w,h)，1是置信度（包含类别和边界框位置），80是类别数量(这里coco数据集是80类)。

dc15c8d08efd69014003e733f7459377.png

yolo3会利用第82、94、106层的特征图来进行不同尺寸的目标检测。 82层的图像小（分辨率低），感受野大，可以到检测图像中较大的目标； 94层的图像中等，感受野中等，可以检测到图像中不大也不小的目标； 106层的图像大（分辨率高），但感受野相对最小，可以检测到图像中较小的目标。 所以如果训练过程中，发现某层的输出值是非数，这只是说明在这层没有检测到目标对象，只要三层中至少有一层能输出正常的数字，就是正常的。 从图上也可以看到，为了能同时学到浅层和深层的特征，上面的82、94层特征图自身经过上采样后还会和早期层的特征图做一些拼接(concat)操作。用论文原话说就是：这样的方法让我们从上采样特征中得到更多有意义的语义信息；从更早期的特征中得到纹理信息(finer-grained information)。

• 类别预测 因为每个边界框都采用多标签分类器来预测包含的类别，所以作者 没有使用softmax，而是为每个类别的预测使用了相互独立的逻辑回归分类器。该方法使得yolov3可以训练类像Open Images数据集那么复杂的数据，该数据集有许多包含属性的标签，比如（比如对图像中的一个人进行标注，可以有“女人”和“人”等多个标签）。

yolov3性能对比图表：

02eb463917889391964e568f7b1d0deb.png

总结一下：

• YOLOv1提出了一个端到端的目标检测模型，输入图片，仅跑一个网络，即可识别出图片中的目标类型和目标的位置。
• YOLOv1相比其他模型，更快，已经可以达到实时检测的水品；泛化能力更强，即使在自然图片上训练，然后在艺术图片上测试也能有很好的表现。
• YOLOv1的缺点也很明显：在目标位置的预测上还不够准确；很难检测小目标(比如鸟群)；很难泛化到新的或不常见的纵横比图片上；
• YOLOv2在学习速度、准确度、对小目标的检测、对不同尺度图片的检测上都有提升；
• YOLOv3采用了更深的网络来提取特征，准确度提升了2%以上，速度下降了，但是仍然比其他模型要高很多；
• YOLOv3采用了跨尺度预测和FPN( feature pyramid networks)的结构，综合考虑了浅层的特征和深层的特征，使得位置信息和语义信息都能更准确的预测；
• YOLOv3可以训练类像Open Images那样复杂的数据集，因为作者 没有使用softmax，而是为每个类别的预测使用了相互独立的逻辑回归分类器。

ok,yolo的原理和各版本差异就介绍到这里啦，还想了解更多细节的朋友建议亲自读一读原论文，然后结合之前笔者写的几篇目标检测系列的文章亲自上手操作一下，会有更深的理解。

参考文献： https://arxiv.org/pdf/1506.02640.pdf https://arxiv.org/pdf/1612.08242v1.pdf https://arxiv.org/pdf/1804.02767.pdfyolov3 https://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6b