YOLOV3

YOLOv3性能  作者直接把性能花在Retinanei数据图上了

左图是不同阈值  右图是阈值0.5

 map就是算出的所有阈值的ap做平均             

为啥第一个图比第二个图低呢？  因为第一个图是阈值达到0.95 那得和标注的多重合啊 那得多了不起啊  so 肯定没有那么强 就低了点   。而第二个阈值0.5 重合0.5就行 那就肯定比0.95高啊

反正作者说了 高阈值性能不科学哈哈哈哈

 

 YOLOV2是Darknet-19 有19层  

53 就是52个卷积和一个全连接层 并且里面加了残差连接

 骨干网络最最重要啦 ！！！！！！！！！！！！！！！！各个领域都是以骨干网络提取的特征来进行后处理得到的！！ 他是提供食材的人    目标检测头 或者关键点检测头是做饭的厨师

52个卷积 是把所有的convolutional加上 不算residual哦  一共是52 然后加上最后的全连接层=53

 训练好这个IMagnet一千分类的骨干网络之后 后面的全局平均池化层拿掉 他就是作为特征提取器

注意里面的步长为2哦 可能是2导致的下采样

 

输入图像得到三种尺度特征 在进行后续多尺度目标检测。

这三个尺度分别下采样了32 16 8倍

如果输入416*416 图片 下采样：416/32=13*13    26*26   416/8= 52* 52

 因为把后面的分类头拿掉 他就变成了全卷积网络 里面没有全连接层 所以可以兼容任意尺度的图像

256 608 416 只要是32的倍数  因为我们下采样是32的倍数哦

  

第二个坐标开始  ：         性能不错  运算量小 更高效运算GPU     fps更臃肿一些 有点慢 但是也高于v1用的19

浮点运算量 更高效利用GPU

 v1 gridcell=7                24层卷积2全连接层    boundingbox

v2  gridcell=13         Darknet-19  18卷积+1全连接层   anchor（先验框 是那种已经差不多检验高瘦物体的anchorbox就都是那种高瘦的anchorbox）

 知乎江da白绘制的图

输入416*416*3  输出 是三个尺寸的featuremap13*13*255、 26*26255、52*52*255  

255---------------3* 85     3：每个gc生成3个anchor  每个anchor对应一个预测框 每个预测框对应5+80维     5：xywhc  coco数据集80个类别的条件类别概率

13*13*255对应原图像的感受野就是32*32、   那也就是说13*13负责预测大物体 

因为416/13=32    那个13就是分格格呀 gc啦

26*26255                                         16*16、      中等

52*52*255                                          8*8 、      小物体

 

上采样2倍（3*2 =26） 在和骨干网络26*26尺度的特征进行拼接 经过处理得到26*26*255

concat ： 两个作业本摞起来的操作 两个本厚度不一样 就沿着厚度方向摞起来

26*26这个也上采样2倍（26*2=52）和骨干网络52*52尺度的特征拼接 处理得到 52*52*255的特征

也就是说：  其实最后那个52*52*255的特征 融合了前面26*26特征 也融合了13*13的特征 

 发挥了深层网络的语义特化抽象的特征 也充分利用了浅层网络的细粒度的像素级别的边缘转角结构信息的底层特征

多尺度特征融合 不同尺度物体检测

条件概率： 假设这个框已经存在物体了 他是猫的概率 狗的概率

 

 

 骨干 颈部 头   

Backnone提取     Neck融合特征fpn          head最终预测结果  

骨干 是全卷积网络  没有全连接 可以兼容32倍数的不同尺度

 

 共有9个anchor

不再看物体中心点落在哪个gridcell里了  看谁的anchor的iou与物体的iou最大 由大的那个anchor（预测框）预测物体

非最大的就不是正样本

 后验概率的置信度  可视化能看见每个框能看见是数字

 YOLOV3 过程

狗人工标注的黄色框 中心点是红色的那个框吧

红色那个gc会有三个anchor  找到与标注框iou最大的那个anchor   用他来预测物体

 

YOLOV1是最多98个

输入图像越大  得到的gridcell也大预测框的数量就是gridsize的数量*3      ，得到的三个尺度的预测框数量也多   

 

 

 正负样本的选取！！！！！！！！！！！！！！！！！！！！！！！！！！！iou

大于阈值 iou最大                                          正样本    

 大于阈值但不是iou最大  忽略

小于阈值就是                                             负样本     蓝色和绿色！！

不同代码可能实现的损失函数不一样

训练

测试

 

 conf-score就是那个 后验概率

代码 

 评估指标

 

加dense模块  空间金字塔池化           spp  

 

 

---

---

---

---

精读视频

---

 256/8=32   32*32对应原图的感受野是8*8

416/8=52    52*52对应原图的感受野也是8*8

416/32=13                              感受野是32                 感受野大预测大物体

残差 batchnomalzation （BN）都是很常用的配置  

用了就可以来引用文献啦

 

 性能指标！！！！！！子豪兄的论文

论文里的IOUthresh=0.5

Pthresh是置信度阈值   假设0.2吧

两个都是人工指定的   

根据预测框和gt的iou就能知道他在哪个区间 就是下面那四个可能

 

 FP 本来是背景 但是还给他预测出来了    本来是没有猫  但是预测出一个小猫的框

FN  定位不错 但是置信度预测出来的太小了

 TP 除以竖着

  TP 除以横着

 map0.5求一次平均              0.5:0.95求单独类别的平均  还得再求每个类别的平均

 4.

Focal loss  看重暧昧的那个人 也给他高权重 效果nonono

 

loss

绿绿黄   三个数非零即1 

这三项都遍历了所有的预测框

假设猫的预测值Pc  gt是猫

第一项   -log（pc）：   -log猫的预测值   预测值越接近1 loss越小

第二项BCE是猫 标签Cihat是1

 

没听懂 

---

---

---

---

传送带：大佬们的文章

【目标检测 论文精读】……YOLO-V3 ……（搞笑向学术报告---An Incremental Improvement）_深度不学习！！的博客-CSDN博客_yolov3论文题目文章目录1.V1,V2回顾：2.Abstract（摘要）3.Introduction（引言）4.The Deal（处理）5.yolov3结构模型：今天看一下yolov3吧，据说这是原yolo作者的最后一篇论文，v4，v5都是其他人写的了。这篇并不算是一个严谨的论文，而是像一篇搞笑向学术报告，不过看上去格式还算正规，并没有像hinton大佬的那一篇dropout那样乱哈哈。论文题目： An Incremental Improvement论文下载地址:https://arxiv.org/pdf/1804https://blog.csdn.net/qq_38737428/article/details/124912050

YOLO v3网络结构分析_太阳花的小绿豆的博客-CSDN博客_yolov3网络结构相信阅读了YOLO v3论文的小伙伴们会发现为什么这次的论文篇幅这么少？除去参考文献就四面？Excuse me？我是下了篇假文献吧。读完后感觉内容确实不多，而且总感觉写的不够细致，很多地方都比较模糊，可能是作者想让大家去观摩他的代码吧。本人是小白，看后表示有点蒙。于是在Github上搜了大牛们基于Tensorflow搭建的YOLOv3模型进行分析（本人只接触过TF，所以就不去看caffe的源码...https://blog.csdn.net/qq_37541097/article/details/81214953?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165874694016782425116611%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165874694016782425116611&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-81214953-null-null.142%5Ev33%5Epc_rank_34,185%5Ev2%5Econtrol&utm_term=yolov3%E7%BD%91%E7%BB%9C%E7%BB%93%E6%9E%84&spm=1018.2226.3001.4187 霹雳

目标检测经典论文——YOLOv3论文翻译：YOLOv3: An Incremental Improvement（YOLOv3：增量式的改进）_bigcindy的博客-CSDN博客YOLOv3: An Incremental ImprovementYOLOv3：增量式的改进Joseph Redmon Ali FarhadiUniversity of WashingtonAbstractWe present some updates to YOLO! We made a bunch of little design changes to make it better. We also trained this new networ...https://blog.csdn.net/Jwenxue/article/details/107717537?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165871767916782184643988%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=165871767916782184643988&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~rank_v31_ecpm-9-107717537-null-null.185^v2^control&utm_term=yolo&spm=1018.2226.3001.4450

【目标检测 论文精读】……YOLO-V3 ……（搞笑向学术报告---An Incremental Improvement）_深度不学习！！的博客-CSDN博客文章目录1.V1,V2回顾：2.Abstract（摘要）3.Introduction（引言）4.The Deal（处理）5.yolov3结构模型：今天看一下yolov3吧，据说这是原yolo作者的最后一篇论文，v4，v5都是其他人写的了。这篇并不算是一个严谨的论文，而是像一篇搞笑向学术报告，不过看上去格式还算正规，并没有像hinton大佬的那一篇dropout那样乱哈哈。论文题目： An Incremental Improvement论文下载地址:https://arxiv.org/pdf/1804https://blog.csdn.net/qq_38737428/article/details/124912050