這是目標檢測領域常用的兩個資料集。voc和coco的區別主要在於影象標註的格式不一樣。voc將目標的標籤資訊以某種格式儲存在.xml格式的檔案中，而coco則是儲存在.txt檔案中。因此有時候voc和coco不是指資料集，而是指資料集標註格式。我們完全沒有必要去研究每種標註格式的細節，網路也有大量的兩種格式相互轉換的**以及對應的資料集載入**。
關於yolo的發展以及對於v1-v3的介紹，網上的資料數不勝數，這裡不再贅述，只做簡單總結。
上圖是yolov3的經典架構，摘自
除此以外，比較常用的還有yolov3-tiny的網路架構，如下圖
摘自我們以yolov3-tiny為例描述一下yolo的工作過程：
輸入是一張416*416大小的三通道影象，輸入資料經過不斷的卷積核池化的操作，特徵圖的維度逐漸縮小，但是通道數逐漸增加。直到最後輸出結果維度為13*13*255。相比於原始影象的大小，輸出結果相當於是縮小了32倍，但是通道數變成了255。
輸出的特徵圖不在意味著「特徵」，而是最終的**結果。對於乙個目標，我們要**這麼幾個值：目標框的中心座標（2個值），目標框的長寬（2個值），目標框的置信度（1個值，表示該區域有無目標的置信度），以及目標框的類別（coco資料集一共有80種類別，所以是80個值，每個值表示對應類別的置信度）。總計需要**85個值。
但是問題又來，對於乙個目標，模型會得到3個**結果。那最終應該相信哪乙個呢？在訓練階段，我們通過計算每個**結果與真實標籤的iou（一種評價指標，可自行搜尋）來選擇應該相信哪乙個**結果；在驗證或者推理階段，同乙個目標可能會得到多個**結果，這時我們通過nms演算法（可自行查閱）來選擇使用哪乙個**結果。
但是yolov3-tiny輸出結果維度為13*13*255，這意味著它最多只能**13*13個目標，因為它最多只能擬合出這麼多引數。也可以從感受野的角度理解為什麼它最多只能**13*13個目標。之前我們說道，網路的特徵圖大小是在不斷縮小的，從輸入到輸出一共縮小了32倍。輸出結果也是一張特徵圖，我們粗略估算輸出結果的每個值的感受野是32*32（這裡計算方法並不嚴謹，詳細的感受野計算可查閱相關資料）。試想，如果輸入影象有兩個目標，其中目標a的大小大於感受野，目標b的大小小於感受野。經過層層卷積以後到達輸出的時候，目標a在13*13的特徵圖上還有蹤跡，但是目標b早已被縮小得「看不到了」。也就是說，yolov3-tiny輸出結果維度為13*13*255只能識別一些比較大的目標，比較小的目標可能就會被忽視。為了解決這一問題，yolov3-tiny選擇融合深層和淺層的資訊進行**。淺層的特徵圖較大，感受野較小，區域性資訊較強，；深層的特徵圖較小，全域性資訊更強。通過將區域性資訊和全域性資訊進行融合，提高對小面積的目標的檢測效能。如上圖所示，yolov3-tiny在右側又輸出了乙個維度為26*26*255的結果，其最多可以**26*26個目標。
yolo的經典結構的輸入輸出與yolov3-tiny類似，只是輸出有個三個，維度分別為13*13*255，26*26*255，52*52*255。
這篇部落格介紹了更為輕量化的yolo-fastes和yolo-fastest-xl。
yolo-fastes和yolo-fastest-xl沿用yolov3的思想，但是在網路結構上進行了重大改變，使得極大地減少了網路引數同時還不失效能。與yolov3-tiny相比，其主要特點如下：
後續第二篇部落格我們會以yolo-fastest-xl為例搭建網路模型。
yolov3中資料讀入（一）
yolov3的訓練 從 detector.c de train detector 函式開始，函式如下 void train detector char datacfg,char cfgfile,char weightfile,int gpus,int ngpus,int clear,int dont...
YOLO V3的一些細節
yolo的基本思想是通過多層cnn bounding box的中心 x,y 座標及其長寬，當然也少不了類別資訊，參考 1 yolo v3的結構 基本原理是什麼樣？有哪些重要的引數 概念？yolo v3的優點是什麼？下文著重講解。根據yolo v3原創 2 的內容，yolo v3使用了乙個含有53個卷...
YOLOv3之一些細節
yolov3裡有很多細節需要注意，下面就把那裡面的一些細節總結一下。先驗邊框，也可以叫建議框，錨框 anchorbox 是對coco資料集的真實框kmeans聚類獲得，對目標物體的真實框具有代表性。在yolov3中，3個不同深度的網路輸出52 52，26 26，13 13這三種不同尺寸的特徵圖，一共...