YOLO系列笔记（四）——YOLO v3介绍

YOLO v3

YOLO v3 是 YOLO 系列中的一种先进的实时目标检测网络，它在效率和速度方面相较于其前身有显著提升。此版本特别优化了网络结构，以改善小目标的检测能力，综合利用多尺度特征图信息以预测不同大小的物体。它采用了丰富的先验框设计，每个尺度提供三种不同规格，共计九种先验框。

特点

• 改进的网络结构： YOLO v3 对网络结构进行了优化，特别是为了提高对小型目标的检测性能。
• 细化的特征提取： 通过融合多个尺度的特征图来预测各种尺寸的物体，增强了模型的泛化能力。
• 丰富的先验框： 提供三种尺度，每种尺度包括三个规格的先验框，共九种，以适应不同大小物体的检测。
• 多标签预测： 利用 softmax 层的改进进行多标签任务的预测，采用 logistic 激活函数以预测每个类别的存在与否。
  
• 多尺度检测： 设计了三个不同的尺度，使网络能够捕捉到不同大小的物体。
  

核心网络架构

• 无池化和全连接层： 全部采用卷积层，以保持空间特征的丰富性。
  
• 下采样： 通过将 stride 设为 2 来实现，而不是采用传统的池化操作。
  - 残差连接： 借鉴了 ResNet 的设计，通过堆叠更多的层来提升特征提取效率，并采用残差连接以避免训练过程中的梯度消失问题（残差网络结构见下图左一，单纯的VGG网络层数叠加并不能提升运行速度和准确性，见图右一、二：不采用残差网络的话，层数越多，训练和测试的误差越高）。
  
• 图像金字塔： 利用不同的特征图进行融合后预测，以实现对物体尺寸的敏感性。
  

先验框设计

YOLO3共有9中先验框，比YOLO2中的5种更多了：

特征图	13* 13	26* 26	52* 52
感受野	大	中	小
先验框	(116x90)，(156x198)，(373x326)	(30x61)，(62x45)，(59x119)	(10x13)，(16x30)，(33x23)

先验框如下图所示：