YOLOv3
論文：《 YOLOv3: An Incremental Improvement 》
地址： https://arxiv.org/pdf/1804.02767.pdfyolov3
相比之前版本的改進
-
網絡的特征提取部分
由 Darknet-19改成了 Darknet-53，更深了，速度確有下降，但是相比ResNet來說仍然高很多。 -
跨尺度預測
yolov3網絡在3個不同尺寸的特征圖下，每個尺寸的特征圖預測出3個boxes，anchor box還是采用聚類的方法得到9個anchor box，然后3個不同的尺寸特征圖各得到3個anchor box。 這樣就得到了N ×N ×[3∗(4+1+80)] ，N為格子大小(13*13、26*26、52*52)，3為每個格子得到的邊界框數量， 4是邊界框參數數量(x,y,w,h)，1是置信度（包含類別和邊界框位置），80是類別數量(這里coco數據集是80類)。
yolo3會利用第82、94、106層的特征圖來進行不同尺寸的目標檢測。
82層的圖像小（分辨率低），感受野大，可以到檢測圖像中較大的目標；
94層的圖像中等，感受野中等，可以檢測到圖像中不大也不小的目標；
106層的圖像大（分辨率高），但感受野相對最小，可以檢測到圖像中較小的目標。
所以如果訓練過程中，發現某層的輸出值是非數，這只是說明在這層沒有檢測到目標對象，只要三層中至少有一層能輸出正常的數字，就是正常的。
從圖上也可以看到，為了能同時學到淺層和深層的特征，上面的82、94層特征圖自身經過上采樣后還會和早期層的特征圖做一些拼接(concat)操作。用論文原話說就是：這樣的方法讓我們從上采樣特征中得到更多有意義的語義信息；從更早期的特征中得到紋理信息(finer-grained information)。 -
類別預測
因為每個邊界框都采用多標簽分類器來預測包含的類別，所以作者 沒有使用softmax，而是為每個類別的預測使用了相互獨立的邏輯回歸分類器。該方法使得yolov3可以訓練類像Open Images數據集那么復雜的數據，該數據集有許多包含屬性的標簽，比如（比如對圖像中的一個人進行標注，可以有“女人”和“人”等多個標簽）。
yolov3性能對比圖表：
總結一下：
- YOLOv1提出了一個端到端的目標檢測模型，輸入圖片，僅跑一個網絡，即可識別出圖片中的目標類型和目標的位置。
- YOLOv1相比其他模型，更快，已經可以達到實時檢測的水品；泛化能力更強，即使在自然圖片上訓練，然后在藝術圖片上測試也能有很好的表現。
- YOLOv1的缺點也很明顯：在目標位置的預測上還不夠准確；很難檢測小目標(比如鳥群)；很難泛化到新的或不常見的縱橫比圖片上；
- YOLOv2在學習速度、准確度、對小目標的檢測、對不同尺度圖片的檢測上都有提升；
- YOLOv3采用了更深的網絡來提取特征，准確度提升了2%以上，速度下降了，但是仍然比其他模型要高很多；
- YOLOv3采用了跨尺度預測和FPN( feature pyramid networks)的結構，綜合考慮了淺層的特征和深層的特征，使得位置信息和語義信息都能更准確的預測；
- YOLOv3可以訓練類像Open Images那樣復雜的數據集，因為作者 沒有使用softmax，而是為每個類別的預測使用了相互獨立的邏輯回歸分類器。
ok,yolo的原理和各版本差異就介紹到這里啦，還想了解更多細節的朋友建議親自讀一讀原論文，然后結合之前筆者寫的幾篇目標檢測系列的文章親自上手操作一下，會有更深的理解。
參考文獻：
https://arxiv.org/pdf/1506.02640.pdf
https://arxiv.org/pdf/1612.08242v1.pdf
https://arxiv.org/pdf/1804.02767.pdfyolov3
https://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6b
