yolo系列的目標檢測演算法真的非常贊！這篇部落格就來介紹yolo v3演算法的內容，因為涉及到v1和v2的一些思想，所以可以先熟悉下：yolo v1演算法詳解，yolo v2演算法詳解。
yolo演算法的基本思想是：首先通過特徵提取網路對輸入影象提取特徵，得到一定size的feature map，比如13*13，然後將輸入影象分成13*13個grid cell，接著如果ground truth中某個object的中心座標落在哪個grid cell中，那麼就由該grid cell來**該object，因為每個grid cell都會**固定數量的bounding box（yolo v1中是2個，yolo v2中是5個，yolo v3中是3個，這幾個bounding box的初始size是不一樣的），那麼這幾個bounding box中最終是由哪乙個來**該object？答案是：這幾個bounding box中只有和ground truth的iou最大的bounding box才是用來**該object的。可以看出**得到的輸出feature map有兩個維度是提取到的特徵的維度，比如13*13，還有乙個維度（深度）是b*（5+c），注：yolo v1中是（b*5+c），其中b表示每個grid cell**的bounding box的數量，比如yolo v1中是2個，yolo v2中是5個，yolo v3中是3個，c表示bounding box的類別數（沒有背景類，所以對於voc資料集是20），5表示4個座標資訊和乙個置信度（objectness score）。
演算法在速度和精度上的提公升可以看figure1。
bounding box的座標**方式還是延續了yolo v2的做法，簡單講就是下面這個截圖的公式，tx、ty、tw、th就是模型的**輸出。cx和cy表示grid cell的座標，比如某層的feature map大小是13*13，那麼grid cell就有13*13個，第0行第1列的grid cell的座標cx就是0，cy就是1。pw和ph表示**前bounding box的size。bx、by。bw和bh就是**得到的bounding box的中心的座標和size。座標的損失採用的是平方誤差損失。
類別**方面主要是將原來的單標籤分類改進為多標籤分類，因此網路結構上就將原來用於單標籤多分類的softmax層換成用於多標籤多分類的邏輯回歸層。首先說明一下為什麼要做這樣的修改，原來分類網路中的softmax層都是假設一張影象或乙個object只屬於乙個類別，但是在一些複雜場景下，乙個object可能屬於多個類，比如你的類別中有woman和person這兩個類，那麼如果一張影象中有乙個woman，那麼你檢測的結果中類別標籤就要同時有woman和person兩個類，這就是多標籤分類，需要用邏輯回歸層來對每個類別做二分類。邏輯回歸層主要用到sigmoid函式，該函式可以將輸入約束在0到1的範圍內，因此當一張影象經過特徵提取後的某一類輸出經過sigmoid函式約束後如果大於0.5，就表示屬於該類。
yolo v3採用多個scale融合的方式做**。原來的yolo v2有乙個層叫：passthrough layer，假設最後提取的feature map的size是13*13，那麼這個層的作用就是將前面一層的26*26的feature map和本層的13*13的feature map進行連線，有點像resnet。當時這麼操作也是為了加強yolo演算法對小目標檢測的精確度。這個思想在yolo v3中得到了進一步加強，在yolo v3中採用類似fpn的upsample和融合做法（最後融合了3個scale，其他兩個scale的大小分別是26*26和52*52），在多個scale的feature map上做檢測，對於小目標的檢測效果提公升還是比較明顯的。前面提到過在yolo v3中每個grid cell**3個bounding box，看起來比yolo v2中每個grid cell**5個bounding box要少，其實不是！因為yolo v3採用了多個scale的特徵融合，所以boundign box的數量要比之前多很多，以輸入影象為416*416為例：（13*13+26*26+52*52）*3和13*13*5相比哪個更多應該很清晰了。
關於bounding box的初始尺寸還是採用yolo v2中的k-means聚類的方式來做，這種先驗知識對於bounding box的初始化幫助還是很大的，畢竟過多的bounding box雖然對於效果來說有保障，但是對於演算法速度影響還是比較大的。作者在coco資料集上得到的9種聚類結果：(10*13); (16*30); (33*23); (30*61); (62*45); (59*119); (116*90); (156*198); (373*326)，這應該是按照輸入影象的尺寸是416*416計算得到的。
網路結構（darknet-53）一方面基本採用全卷積（yolo v2中採用pooling層做feature map的sample，這裡都換成卷積層來做了），另一方面引入了residual結構（yolo v2中還是類似vgg那樣直筒型的網路結構，層數太多訓起來會有梯度問題，所以darknet-19也就19層，因此得益於resnet的residual結構，訓深層網路難度大大減小，因此這裡可以將網路做到53層，精度提公升比較明顯）。darknet-53只是特徵提取層，原始碼中只使用了pooling層前面的卷積層來提取特徵，因此multi-scale的特徵融合和**支路並沒有在該網路結構中體現，具體資訊可以看原始碼：**支路採用的也是全卷積的結構，其中最後乙個卷積層的卷積核個數是255，是針對coco資料集的80類：3*(80+4+1)=255，3表示乙個grid cell包含3個bounding box，4表示框的4個座標資訊，1表示objectness score。模型訓練方面還是採用原來yolo v2中的multi-scale training。
table2是幾個網路在imagenet資料集上的效能和精度對比。可以看出darknet-53的效能還是非常不錯的。
yolo v3的實驗結果對比可以看table3。原來yolo v2對於小目標的檢測效果是比較差的，通過引入多尺度特徵融合的方式，可以看出yolo v3的aps要比yolo v2的aps高出不少。
最後這張圖非常有意思，直接用all the other slow ones來代表其他演算法，實實在在展現了本篇文章隨性的風格。
最後貼乙份參考資料：其中part1是介紹yolo演算法相關的基礎知識，part2到part5是介紹如何用pytorch實現yolo v3演算法，非常推薦。
Yolov3演算法詳解
yolo系列演算法是當前目標檢測領域的當紅演算法，是一階段目標檢測演算法的經典代表，正如其名稱 you only look once 所述，其只需要一趟完整的過程即可完成目標的識別和位置定位，能夠近乎實時得完成目標檢測任務，堪稱眾多目標檢測演算法中速度之最。yolo系列演算法到現如今已有五個版本，最...
yolov3系列 零 yolov3詳解
目標檢測演算法與efficientdet講解 論 文 翻譯 yolov3主頁 yolo系列的目標檢測演算法可以說是目標檢測史上的巨集篇巨作，v3演算法是在v1 v2基礎上形成的，先看下 yolov1 yolov2 下圖為yolov3的網路結構 dbl darknetconv2d bn leaky 是...
yolov3的缺點 yolov3特點總結
p1，yolov3，簡單總結下比較特別的地方 1.bounding box 中心值x,y的 是通過乙個sigmoid 函式，來 在每乙個單元 cell 的相對位置。而不像普通那種 乙個相對於anchor的offset。然後bbox 損失是用的mse 一般都是用smooth l1 3.類別 沒有使用s...