本文來自公眾號“AI大道理”
YOLO v3 是目前工業界用的非常多的目標檢測的算法。
YOLO v3 沒有太多的創新，主要是借鑒一些好的方案融合到 YOLO v2 里面。
不過效果還是不錯的，在保持速度優勢的前提下，提升了預測精度，尤其是加強了對小物體的識別能力。
YOLO v3 主要的改進有：
（1）調整了網絡結構；
（2）利用多尺度特征進行對象檢測；
（3）對象分類用 Logistic 取代了 softmax。
YOLO v3的思想
1）多種尺度網格
YOLO v3 的核心思想就是用 3 種不同的網格來划分原始圖像。
其中 13 * 13 的網格划分的每一塊最大，用於預測大物體。
26 * 26 的網格划分的每一塊中等大小，用於預測中等物體。
52 * 52 的網格划分的每一塊最小，用於預測小物體。
2）Darknet-53
YOLO v3 的 backbone 采用了自己設計的 Darknet-53 的網絡結構（含有53個卷積層），它借鑒了殘差網絡 residual network 的做法，在一些層之間設置了快捷鏈路（shortcut connections）。
上圖的 Darknet-53 網絡采用 256 * 256 * 3 作為輸入，最左側那一列的 1、2、8 等數字表示多少個重復的殘差組件。每個殘差組件有兩個卷積層和一個快捷鏈路。
3）9 種尺度先驗框
隨着輸出的特征圖的數量和尺度的變化，先驗框的尺寸也需要相應的調整。
YOLO v2 已經開始采用 K-means 聚類得到先驗框的尺寸，YOLO v3 延續了這種方法，為每種下采樣尺度設定 3 種先驗框，總共聚類出 9 種尺寸的先驗框。
在 COCO 數據集這 9 個先驗框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。
分配上，在最小的 13 * 13 特征圖上（有最大的感受野）應用較大的先驗框(116x90)，(156x198)，(373x326)，適合檢測較大的對象。
中等的 26 * 26 特征圖上（中等感受野）應用中等的先驗框(30x61)，(62x45)，(59x119)，適合檢測中等大小的對象。
較大的 52 * 52 特征圖上（較小的感受野）應用較小的先驗框(10x13)，(16x30)，(33x23)，適合檢測較小的對象。
藍色框為聚類得到的先驗框，黃色框是 ground truth，紅框是對象中心點所在的網格。
4）輸入與輸出
不考慮神經網絡結構細節的話，總的來說，對於一個輸入圖像，YOLO v3 將其映射到 3 個尺度的輸出張量，代表圖像各個位置存在各種對象的概率。
對於一個 416 * 416 的輸入圖像，在每個尺度的特征圖的每個網格設置 3 個先驗框，總共有 13 * 13 * 3 + 26 * 26 * 3 + 52 * 52 * 3 = 10647 個預測。
每一個預測是一個 (4 + 1 + 80) = 85 維向量，這個 85 維向量包含邊框坐標（4 個數值），邊框置信度（1 個數值），對象類別的概率（對於 COCO 數據集，有 80 種對象）。
對比一下，YOLO v2 采用 13 * 13 * 5 = 845 個預測，YOLO v3 的嘗試預測邊框數量增加了 10 多倍，而且是在不同分辨率上進行，所以 mAP 以及對小物體的檢測效果有一定的提升。
5）bounding box的坐標預測方式
bounding box的坐標預測方式還是延續了YOLO v2的做法。
簡單講就是下面這個截圖的公式，tx、ty、tw、th就是模型的預測輸出。
cx和cy表示grid cell的坐標，比如某層的feature map大小是13*13，那么grid cell就有13*13個，第0行第1列的grid cell的坐標cx就是0，cy就是1。
pw和ph表示預測前bounding box的size。
bx、by。bw和bh就是預測得到的bounding box的中心的坐標和size。
坐標的損失采用的是平方誤差損失。
6）類別預測
類別預測方面主要是將原來的單標簽分類改進為多標簽分類。
因此網絡結構上就將原來用於單標簽多分類的softmax層換成用於多標簽多分類的邏輯回歸層。
為什么要做這樣的修改？
原來分類網絡中的softmax層都是假設一張圖像或一個object只屬於一個類別，但是在一些復雜場景下，一個object可能屬於多個類。
比如你的類別中有woman和person這兩個類，那么如果一張圖像中有一個woman，那么你檢測的結果中類別標簽就要同時有woman和person兩個類。
這就是多標簽分類，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函數，該函數可以將輸入約束在0到1的范圍內，因此當一張圖像經過特征提取后的某一類輸出經過sigmoid函數約束后如果大於0.5，就表示屬於該類。
YOLO v3的網絡結構
YOLO v2 曾采用 passthrough 結構來檢測細粒度特征，在 YOLO v3 更進一步采用了 3 個不同尺度的特征圖來進行對象檢測。
結合上圖看，卷積網絡在 79 層后，經過下方幾個黃色的卷積層得到一種尺度的檢測結果。
相比輸入圖像，這里用於檢測的特征圖有 32 倍的下采樣。
比如輸入是 416 * 416 的話，這里的特征圖就是 13 * 13 了。
由於下采樣倍數高，這里特征圖的感受野比較大，因此適合檢測圖像中尺寸比較大的對象。
為了實現細粒度的檢測，第 79 層的特征圖又開始作上采樣（從 79 層往右開始上采樣卷積），然后與第 61 層特征圖融合（Concatenation），這樣得到第 91 層較細粒度的特征圖，同樣經過幾個卷積層后得到相對輸入圖像 16 倍下采樣的特征圖。
它具有中等尺度的感受野，適合檢測中等尺度的對象。
最后，第 91 層特征圖再次上采樣，並與第 36 層特征圖融合（Concatenation），最后得到相對輸入圖像 8 倍下采樣的特征圖。
它的感受野最小，適合檢測小尺寸的對象。
YOLO v3 的損失函數
在YOLO v1中使用了一種叫sum-square error的損失計算方法，就是簡單的差方相加而已。
但在v3的論文里沒有明確提所用的損失函數。
其實也是跟YOLO v1類似，只是做了一些小調整。即損失還是四個特性（（x,y）、(w,h)、分類和confidence）的損失累加起來，也就是一個loss_function搞定端到端的訓練。
總結
YOLO3借鑒了殘差網絡結構，形成更深的網絡層次，以及多尺度檢測，提升了mAP及小物體檢測效果。
如果采用COCO mAP50做評估指標（不是太介意預測框的准確性的話），YOLO3的表現相當驚人，如下圖所示，在精確度相當的情況下，YOLOv3的速度是其它模型的3、4倍。
——————
淺談則止，細致入微AI大道理
掃描下方“AI大道理”，選擇“關注”公眾號
—————————————————————
—————————————————————