YOLOV3目标检测

YOLOV3目标检测

1、backbone骨干网络

YOLOv3使用的是Darknet-53网络，是作者自己写的。

输入图片是416x416，经过各种卷积操作后，输出有3个不同的结果，13x13x255是经过下采样32倍后的结果，26x26x255是经过下采样16倍的结果，52x52x255是经过下采样8倍的结果，前两个数字是图片分为多少个网格，在这里，每个网格有3个anchor，和yolov2中预定义了5个anchor不同，然后每个anchor有5个信息，包括中心点坐标以及长宽，还有置信度信息，然后有80个类别目标，所以一个gridcell就有3x（80+5）=255。13x13对应原图上的感受野为32x32,26x26对应原图上的感受野为16x16,52x52对应原图上的感受野为8x8，所以13x13用来检测大目标，26x26检测中等目标，52x52检测小目标。

可以看到在26x26x255那个Concat，也就是说26x26的那个是由原图416x416经过Res8（8倍下采样）之后就为26x26的然后和13x13上采样变为26x26一起结合起来的，既包含了13x13的特征也包含了原来的26x26的特征。而后面52x52的那个也是Concat得到的，也就是由上面26x26上采样后和之前Res8后面的52x52的相concat得到的，最后得到的52x52的既包含了13x13的，也包含了26x26的，还包含了52x52的特征。 这个网络没有全连接层，全是卷积，yolov2也是这样的。所以对输入图像没有特定要求，32倍数就行。]
由上图这个尺度中与groundtruth IOU最大的那个anchor拟合，一共不是有3个尺度吗，就是13x13,26x26,52x52这三个尺度，每个尺度有3个anchor，一共9个，选其中与groundtruth最大的那个拟合。也就是最大的是正样本，不是最大的不是正样本。

对于预测边界框的数量，yolov3：13x13x3+26x26x3+52x52x3=10647个，因为有3个不同尺度。
yolov2：13x13x5=845个
yolov1：7x7x2=98个
所以可以明白为什么yolov1检测小目标不好，就只能有98个框。

可以看到在concat上是堆叠起来的，尺度是一样，但通道数可以不一样，按照通道数堆叠一起就行，比如16x16x512+16x16x256=16x16x768，这和yolov2的passthrough是不一样的方式。下图是yolov2的passthrough层，也是为了更多尺度。

损失函数

对于正负样本的选取很重要，这里和yolov2中的正负样本选取一样。

对于anchor与groundtruth具有最大IOU的作为正样本，然后比如有个阈值为0.5，大于这个阈值但不是最大的anchor，就把它舍弃，不考虑，对于小于阈值0.5的就被分为负样本了。

看到在这个损失函数中，当是正样本时，其置信度直接设为1，不是IOU了，之前v1和v2都是置信度等于IOU。为什么v1和v2中使用IOU作为置信度标签不好？因为很多预测框与GT框的IOU最高只有0.7，训练效果就不好，最高只有0.7。并且IOU对小目标误差比较大。对于正样本的置信度损失，首先我们一定要确定目标：那就是为了让损失函数最小更好，所以正样本pc越为1越好，其log值就越为0，损失就越小。对于负样本的置信度损失也是，让pc越为0的时候，其log（1-pc）越小。注意这个pc是置信度，即模型预测的物体是否存在当前网格的置信度，就是IOU，如果当前网格没有预测的物体，那pc该靠近0，如果有物体，那pc该靠近1。

训练过程：

测试过程：

以上笔记内容理解全部参考b站up主同济子豪兄，up主的论文精读非常厉害，建议观看