yoloV3以V1，V2為基礎(chǔ)進(jìn)行的改進(jìn)，主要有：利用多尺度特征進(jìn)行目標(biāo)檢測；先驗(yàn)框更豐富；調(diào)整了網(wǎng)絡(luò)結(jié)構(gòu)；對象分類使用logistic代替了softmax,更適用于多標(biāo)簽分類任務(wù)。

1.算法簡介

YOLOv3是YOLO (You Only Look Once)系列目標(biāo)檢測算法中的第三版，相比之前的算法，尤其是針對小目標(biāo)，精度有顯著提升。

yoloV3的流程如下圖所示，對于每一幅輸入圖像，YOLOv3會預(yù)測三個不同尺度的輸出，目的是檢測出不同大小的目標(biāo)。

2.多尺度檢測

通常一幅圖像包含各種不同的物體，并且有大有小。比較理想的是一次就可以將所有大小的物體同時檢測出來。因此，網(wǎng)絡(luò)必須具備能夠“看到”不同大小的物體的能力。因?yàn)榫W(wǎng)絡(luò)越深，特征圖就會越小，所以網(wǎng)絡(luò)越深小的物體也就越難檢測出來。

在實(shí)際的feature map中，隨著網(wǎng)絡(luò)深度的加深，淺層的feature map中主要包含低級的信息（物體邊緣，顏色，初級位置信息等），深層的feature map中包含高等信息（例如物體的語義信息：狗，貓，汽車等等）。因此在不同級別的feature map對應(yīng)不同的scale，所以我們可以在不同級別的特征圖中進(jìn)行目標(biāo)檢測。如下圖展示了多種scale變換的經(jīng)典方法。

(a) 這種方法首先建立圖像金字塔，不同尺度的金字塔圖像被輸入到對應(yīng)的網(wǎng)絡(luò)當(dāng)中，用于不同scale物體的檢測。但這樣做的結(jié)果就是每個級別的金字塔都需要進(jìn)行一次處理，速度很慢，在SPPNet使用的就是這種方式。

(b) 檢測只在最后一層feature map階段進(jìn)行，這個結(jié)構(gòu)無法檢測不同大小的物體

(c) 對不同深度的feature map分別進(jìn)行目標(biāo)檢測。SSD中采用的便是這樣的結(jié)構(gòu)。這樣小的物體會在淺層的feature map中被檢測出來，而大的物體會在深層的feature map被檢測出來，從而達(dá)到對應(yīng)不同scale的物體的目的，缺點(diǎn)是每一個feature map獲得的信息僅來源于之前的層，之后的層的特征信息無法獲取并加以利用。

(d) 與(c)很接近，但不同的是，當(dāng)前層的feature map會對未來層的feature map進(jìn)行上采樣，并加以利用。因?yàn)橛辛诉@樣一個結(jié)構(gòu)，當(dāng)前的feature map就可以獲得“未來”層的信息，這樣的話低階特征與高階特征就有機(jī)融合起來了，提升檢測精度。在YOLOv3中，就是采用這種方式來實(shí)現(xiàn)目標(biāo)多尺度的變換的。

3.網(wǎng)絡(luò)模型結(jié)構(gòu)

在基本的圖像特征提取方面，YOLO3采用了Darknet-53的網(wǎng)絡(luò)結(jié)構(gòu)（含有53個卷積層），它借鑒了殘差網(wǎng)絡(luò)ResNet的做法，在層之間設(shè)置了shortcut，來解決深層網(wǎng)絡(luò)梯度的問題，shortcut如下圖所示：包含兩個卷積層和一個shortcut connections。

yoloV3的模型結(jié)構(gòu)如下所示：

整個v3結(jié)構(gòu)里面，沒有池化層和全連接層，網(wǎng)絡(luò)的下采樣是通過設(shè)置卷積的stride為2來達(dá)到的，每當(dāng)通過這個卷積層之后圖像的尺寸就會減小到一半。殘差模塊中的1×，2×，8×，8× 等表示殘差模塊的個數(shù)。

4.先驗(yàn)框

yoloV3采用K-means聚類得到先驗(yàn)框的尺寸，為每種尺度設(shè)定3種先驗(yàn)框，總共聚類出9種尺寸的先驗(yàn)框。

在COCO數(shù)據(jù)集這9個先驗(yàn)框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。在最小的(13x13)特征圖上（有最大的感受野）應(yīng)用較大的先驗(yàn)框(116x90)，(156x198)，(373x326)，適合檢測較大的對象。中等的(26x26)特征圖上（中等感受野）應(yīng)用中等的先驗(yàn)框(30x61)，(62x45)，(59x119)，適合檢測中等大小的對象。較大的(52x52)特征圖上（較小的感受野）應(yīng)用,其中較小的先驗(yàn)框(10x13)，(16x30)，(33x23)，適合檢測較小的對象。

直觀上感受9種先驗(yàn)框的尺寸，下圖中藍(lán)色框?yàn)榫垲惖玫降南闰?yàn)框。黃色框式ground truth，紅框是對象中心點(diǎn)所在的網(wǎng)格。

5.ligistic回歸

預(yù)測對象類別時不使用softmax，而是被替換為一個1x1的卷積層+logistic激活函數(shù)的結(jié)構(gòu)。使用softmax層的時候其實(shí)已經(jīng)假設(shè)每個輸出僅對應(yīng)某一個單個的class，但是在某些class存在重疊情況（例如woman和person）的數(shù)據(jù)集中，使用softmax就不能使網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行很好的預(yù)測。

6.yoloV3模型的輸入與輸出

YoloV3的輸入輸出形式如下圖所示：?

輸入416×416×3的圖像，通過darknet網(wǎng)絡(luò)得到三種不同尺度的預(yù)測結(jié)果，每個尺度都對應(yīng)N個通道，包含著預(yù)測的信息；

每個網(wǎng)格每個尺寸的anchors的預(yù)測結(jié)果。

YOLOv3共有13×13×3 + 26×26×3 + 52×52×3個預(yù)測 。每個預(yù)測對應(yīng)85維，分別是4（坐標(biāo)值）、1（置信度分?jǐn)?shù)）、80（coco類別概率）。

---

總結(jié)

1.yoloV3的多尺度檢測方法

在YOLOv3中采用FPN結(jié)構(gòu)來提高對應(yīng)多尺度目標(biāo)檢測的精度，當(dāng)前的feature map利用“未來”層的信息，將低階特征與高階特征進(jìn)行融合，提升檢測精度。

2.yoloV3模型的網(wǎng)絡(luò)結(jié)構(gòu)

• 以darknet-53為基礎(chǔ)，借鑒resnet的思想，在網(wǎng)絡(luò)中加入了殘差模塊，利于解決深層次網(wǎng)絡(luò)的梯度問題
• 整個v3結(jié)構(gòu)里面，沒有池化層和全連接層，只有卷積層
• 網(wǎng)絡(luò)的下采樣是通過設(shè)置卷積的stride為2來達(dá)到的

3.yoloV3模型先驗(yàn)框設(shè)計的方法

采用K-means聚類得到先驗(yàn)框的尺寸，為每種尺度設(shè)定3種先驗(yàn)框，總共聚類出9種尺寸的先驗(yàn)框。

4.yoloV3模型為什么適用于多標(biāo)簽的目標(biāo)分類

預(yù)測對象類別時不使用softmax，而是使用logistic的輸出進(jìn)行預(yù)測

5.yoloV3模型的輸入輸出

對于416×416×3的輸入圖像，在每個尺度的特征圖的每個網(wǎng)格設(shè)置3個先驗(yàn)框，總共有 13×13×3 + 26×26×3 + 52×52×3 =?10647?個預(yù)測。每一個預(yù)測是一個(4+1+80)=85維向量，這個85維向量包含邊框坐標(biāo)（4個數(shù)值），邊框置信度（1個數(shù)值），對象類別的概率（對于COCO數(shù)據(jù)集，有80種對象）。

總結(jié)

以上是生活随笔為你收集整理的智慧交通day02-车流量检测实现11：yoloV3模型的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。