• 論文名：《YOLOv3: An Incremental Improvement》
• 論文地址
  • https://pjreddie.com/media/files/papers/YOLOv3.pdf
  • https://arxiv.org/abs/1804.02767v1
• 論文代碼
  • https://github.com/yjh0410/yolov2-yolov3_PyTorch
  • keras：https://github.com/qqwweee/keras-yolo3

YOLOv3沒有太多的創新，主要是借鑒一些好的方案融合到YOLO里面。不過效果還是不錯的，在保持速度優勢的前提下，提升了預測精度，尤其是加強了對小物體的識別能力。

YOLO3主要的改進有：

利用多尺度特征進行對象檢測（類FPN）

更好的基礎分類網絡（類ResNet）和分類器 darknet-53,見下圖。

分類器-類別預測：YOLOv3不使用Softmax對每個框進行分類，主要考慮因素有兩個：

Softmax使得每個框分配一個類別（score最大的一個），而對于Open Images這種數據集，目標可能有重疊的類別標簽，因此Softmax不適用于多標簽分類。

Softmax可被獨立的多個logistic分類器替代，且準確率不會下降。 分類損失采用binary cross-entropy loss.

新的網絡結構Darknet-53

darknet-53借用了resnet的思想，在網絡中加入了殘差模塊，這樣有利于解決深層次網絡的梯度問題，每個殘差模塊由兩個卷積層和一個shortcut connections,

1,2,8,8,4代表有幾個重復的殘差模塊，整個v3結構里面，沒有池化層和全連接層，網絡的下采樣是通過設置卷積的stride為2來達到的，每當通過這個卷積層之后

圖像的尺寸就會減小到一半。而每個卷積層的實現又是包含 卷積+BN+Leaky relu,每個殘差模塊之后又要加上一個zero padding,論文中所給的網絡結構如下，由卷積模塊和殘差模塊組成；

上圖的Darknet-53網絡采用 $256?256?3$ 作為輸入，最左側那一列的1、2、8等數字表示多少個重復的殘差組件。每個殘差組件有兩個卷積層和一個快捷鏈路，示意圖如下：

darknet-53仿ResNet, 與ResNet-101或ResNet-152準確率接近,但速度更快.對比如下:

與darknet-19對比可知，darknet-53主要做了如下改進：

• 沒有采用最大池化層，轉而采用步長為2的卷積層進行下采樣。
• 為了防止過擬合，在每個卷積層之后加入了一個BN層和一個Leaky ReLU。
• 引入了殘差網絡的思想，目的是為了讓網絡可以提取到更深層的特征，同時避免出現梯度消失或爆炸。
• 將網絡的中間層和后面某一層的上采樣進行張量拼接，達到多尺度特征融合的目的。

模型可視化

具體的全部模型結構可以從這個網站的工具進行可視化分析：

https://lutzroeder.github.io/netron/

從Yolo的官網上下載yolov3的權重文件，然后通過官網上的指導轉化為H5文件，然后可以再這個瀏覽器工具里直接看yolov3的每一層是如何分布的；類似下邊截圖是一部分網絡（最后的拼接部分）；

利用多尺度特征進行對象檢測

對于多尺度檢測來說，采用多個尺度進行預測，具體形式是在網絡預測的最后某些層進行上采樣拼接的操作來達到；對于分辨率對預測的影響如下解釋：

分辨率信息直接反映的就是構成object的像素的數量。一個object，像素數量越多，它對object的細節表現就越豐富越具體，也就是說分辨率信息越豐富。這也就是為什么大尺度feature map提供的是分辨率信息了。語義信息在目標檢測中指的是讓object區分于背景的信息，即語義信息是讓你知道這個是object，其余是背景。在不同類別中語義信息并不需要很多細節信息，分辨率信息大，反而會降低語義信息，因此小尺度feature map在提供必要的分辨率信息下語義信息會提供的更好。(而對于小目標，小尺度feature map無法提供必要的分辨率信息，所以還需結合大尺度的feature map)

YOLO2曾采用passthrough結構來檢測細粒度特征，在YOLO3更進一步采用了3個不同尺度的特征圖來進行對象檢測。網絡的最終輸出有3個尺度分別為1/32，1/16，1/8；

結合上圖看，卷積網絡在79層后，經過下方幾個黃色的卷積層得到一種尺度的檢測結果。相比輸入圖像，這里用于檢測的特征圖有32倍的下采樣。比如輸入是 $416?416$ 的話，這里的特征圖就是 $13?13$ 了。由于下采樣倍數高，這里特征圖的感受野比較大，因此適合檢測圖像中尺寸比較大的對象。

為了實現細粒度的檢測，第79層的特征圖又開始作上采樣（從79層往右開始上采樣卷積），然后與第61層特征圖融合（Concatenation），這樣得到第91層較細粒度的特征圖，同樣經過幾個卷積層后得到相對輸入圖像16倍下采樣的特征圖。它具有中等尺度的感受野，適合檢測中等尺度的對象。

最后，第91層特征圖再次上采樣，并與第36層特征圖融合（Concatenation），最后得到相對輸入圖像8倍下采樣的特征圖。它的感受野最小，適合檢測小尺寸的對象。

concat：張量拼接。將darknet中間層和后面的某一層的上采樣進行拼接。拼接的操作和殘差層add的操作是不一樣的，拼接會擴充張量的維度，而add只是直接相加不會導致張量維度的改變。

9種尺度的先驗框

隨著輸出的特征圖的數量和尺度的變化，先驗框的尺寸也需要相應的調整。YOLO2已經開始采用K-means聚類得到先驗框的尺寸，YOLO3延續了這種方法，為每種下采樣尺度設定3種先驗框，總共聚類出9種尺寸的先驗框。在COCO數據集這9個先驗框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。

分配上，在最小的 $13?13$ 特征圖上（有最大的感受野）應用較大的先驗框(116x90)，(156x198)，(373x326)，適合檢測較大的對象。中等的 $26?26$ 特征圖上（中等感受野）應用中等的先驗框(30x61)，(62x45)，(59x119)，適合檢測中等大小的對象。較大的$52?52$ 特征圖上（較小的感受野）應用較小的先驗框(10x13)，(16x30)，(33x23)，適合檢測較小的對象。

感受一下9種先驗框的尺寸，下圖中藍色框為聚類得到的先驗框。黃色框式ground truth，紅框是對象中心點所在的網格。

對象分類softmax改成logistic

預測對象類別時不使用softmax，改成使用logistic的輸出進行預測。這樣能夠支持多標簽對象（比如一個人有Woman 和 Person兩個標簽）。

輸入映射到輸出

不考慮神經網絡結構細節的話，總的來說，對于一個輸入圖像，YOLO3將其映射到3個尺度的輸出張量，代表圖像各個位置存在各種對象的概率。

我們看一下YOLO3共進行了多少個預測。對于一個416*416的輸入圖像，在每個尺度的特征圖的每個網格設置3個先驗框，總共有 13*13*3 + 26*26*3 + 52*52*3 = 10647 個預測。每一個預測是一個(4+1+80)=85維向量，這個85維向量包含邊框坐標（4個數值），邊框置信度（1個數值），對象類別的概率（對于COCO數據集，有80種對象）。

對比一下，YOLO2采用13*13*5 = 845個預測，YOLO3的嘗試預測邊框數量增加了10多倍，而且是在不同分辨率上進行，所以mAP以及對小物體的檢測效果有一定的提升。

訓練過程

YoloV3 的訓練過程，特別是樣本的選擇和 V1 和 V2 已經完全不一樣了。

在 V1 和 V2 中是看 gd 中心所落的負責區域來確定 gd 由哪個點來負責。由于 V3 中有多個最終的 feature map。使用這種策略可能會導致矛盾（即一個 gd 同時屬于多個點負責）。所以需要新的方式確定樣本由哪個點的區域負責。原則很簡單：

所有預測的 pd 中和 gd 的 IOU 最大的那個就是正樣本。

作者還創新的把預測 pd 分成三類：

• 正例：產生回歸框 loss 和類別置信度 loss。

  對任意的 gd，與所有的 pd 計算IOU，IOU 最大那個就是正例。一個pd，只能分配給一個gd。比如第一個 gd 已經匹配了一個正例的 pd，那么下一個 gd，需要在剩下的 pd 中尋找 IOU 最大的作為正例。

• 負例：只產生置信度 loss。

  除正例以外（與 gd 計算后 IOU 最大的檢測框，但是IOU小于閾值，仍為正例），與全部 gd 的 IOU 都小于閾值（論文中為 0.5），則為負例。

• 忽略：不產生任何 loss。

  除正例以外，與任意一個 gd 的 IOU 大于閾值（論文中為 0.5），則為忽略。

在 YoloV3 中置信域標簽直接設置為 1 和0。而不是 YoloV1 的 IOU 值。原因是假設 iou 是0.8，但學習到的可能只有 0.6 總是會低一些。不如直接將標簽設為 1 （學習到的可能就是 0.8）。

測試過程

由于有三個特征圖，所以需要對三個特征圖分別進行預測。

三個特征圖一共可以出預測 19 × 19 × 3 + 38 × 38 × 3 + 76 × 76 × 3 = 22743 個 pd 坐標以及對應的類別和置信度。

測試時，選取一個置信度閾值，過濾掉低閾值 box，經過 NMS（非極大值抑制），輸出整個網絡的預測結果。注意最后要還原到原始坐標。該改成測試模式的模塊需要改成測試模式（比如 BatchNorm）

小結

YOLO3借鑒了殘差網絡結構，形成更深的網絡層次，以及多尺度檢測，提升了mAP及小物體檢測效果。如果采用COCO mAP50做評估指標（不是太介意預測框的準確性的話），YOLO3的表現相當驚人，如下圖所示，在精確度相當的情況下，YOLOv3的速度是其它模型的3、4倍。

對不同的單階段和兩階段網絡進行了測試。通過對比發現，YOLOv3達到了與當前先進檢測器的同樣的水平。檢測精度最高的是單階段網絡RetinaNet，但是YOLOv3的推理速度比RetinaNet快得多。

YOLOv3在mAP@0.5及小目標APs上具有不錯的結果,但隨著IOU的增大,性能下降,說明YOLOv3不能很好地與ground truth切合.

參考：

• https://www.jianshu.com/p/d13ae1055302
• https://www.cnblogs.com/ywheunji/p/10809695.html
• https://zhuanlan.zhihu.com/p/362761373

總結

以上是生活随笔為你收集整理的深度学习目标检测之 YOLO v3的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。