YOLO-V3笔记

YOLO-V3模型结构

YOLOv3于2018年推出，基础框架为Darknet-53
还是很多卷积层的叠加，有特点的地方是使用了残差模块
第1个框内的部分重复1次，第2个框内的部分重复2次，第3个框内的部分重复8次等等。网络的总层数是53
参考了SSD的做法，采用不同尺度的多个特征图的特征来获取这个预测框。用到了3个尺度的特征，不同尺度的特征也是能够检测不同大小的物体。Scale1检测大的物体，Scale3检测小的物体，

下图3个红色框内的是结果

YOLOv3有3个不同特征尺度的输出，分别为13×13×255，26×26×255，52×52×255。
YOLOv3一般使用416x416大小的图片作为输入，最后得到的特征图为13x13，再大一些的特征图为26x26，再大一些的特征图为52x52。
论文中YOLOv3使用COCO数据集训练，COCO数据集目标检测有80个种类，YOLOv3中每个cell有3个box，每个box还有（x，y，w，h，confidence）五个基本参数。所以每个cell会产生3*（5+80）=255个值，这也是输出的通道数都是255的原因(13x13,26x26,52x52的特征图都一样)
对于416*416的图片，YOLOv2的bounding boxes有13x13x5=845个，YOLOv3的bounding boxes有3x（13x13+26x26+52x52）=10467个。

YOLO-V3先验框

YOLOv3有3个不同特征尺度的输出，分别为13×13×255，26×26×255，52×52×255。
YOLO2已经开始采用K-means聚类得到先验框的尺寸，YOLO3延续了这种方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。在COCO数据集这9个先验框是：
（10×13），（16×30），（33×23），（30×61），（62×45），（59×119），（116x90），（156×198），（373×326）。
分配上，在最小的13x13特征图上（有最大的感受野）应用较大的先验框（116×90），（156×198），（373×326），适合检测较大的对象。中等的26x26特征图上（中等感受野）应用中等的先验框（30×61），（62×45），（59x119），适合检测中等大小的对象。较大的52x52特征图上（较小的感受野）应用较小的先验框（10×13），（16x30），（33×23），适合检测较小的对象。


每个k框有4个坐标值，1个object置信度，该框中的object属于80种物体的概率(Coco数据集检测80种物体)，一共85个值。

YOLO-V3代价函数修改

YOLOv3对类别预测的代价函数进行了修改，但是没有使用softmax。首先说明一下为什么不用softmax，原来分类网络中的softmax层都是假设一张图像或一个object只属于一个类别，但是在一些复杂场景下，一个object可能属于多个类，比如你的类别中有woman和person这两个类，那么如果一张图像中有一个woman，那么你检测的结果中类别标签就要同时有woman和person两个类，这就是多标签分类。
所以YOLOV3用逻辑回归层来对每个类别做二分类。逻辑回归层主要用到sigmoid函数，该函数可以将输出约束在0到1的范围内，因此当一张图像经过特征提取后的某一类输出经过sigmoid函数约束后如果大于0.5，就表示属于该类，这样一个框就可以预测多个类别。代价函数用的是sigmoid的交叉熵。

YOLO-V3结果

从上图可以看出YOLO-V3已经是非常好了，mAP和FPS这两项指标都达到了顶级的