YOLO学习笔记5——YOLOV3详解

一、网络解析

输入：416x416x3
输出：3个feature map：13x13x255、26x26x255、52x52x255（255 = 3x85 =3 x(4+1+80) ）

分别下采样32倍、16倍、8倍得到输出13x13x255、26x26x255、52x52x255，在MCCOCO目标检测竞赛中，小物体<32x32，大物体>96x96
13x13x255：13x13个grid cell，每一个grid cell 对应原图上的感受野是32X32，负责预测大物体
26x26x255：26x26个grid cell，每一个grid cell 对应原图上的感受野是16X16，负责预测中等物体
52x52x255：52x52个grid cell，每一个grid cell 对应原图上的感受野是8X8，负责预测小物体

1、分别抽取到下采样32倍、16倍、8倍的特征
2、下采样32倍的特征变成13x13x255 ——> 经过一次上采样2倍变成26x26 ——> 和26x26尺度的特征进行拼接(Concat，沿厚度方向堆落）——> 26x26的数据结构再经过上采样变成52x52 ——> 和52x52尺度的特征进行拼接
3、该结构可以实现多尺度特征融合和不同尺寸物体的预测，既能发挥深层网络的特化抽象的语义信息，又能发挥浅层网络像素结构的底层的细粒度的信息
+ 深度学习浅层学习：边缘、形状、转角、斑块、颜色等底层细粒度的信息
+ 深度学习深层学习：纹理、眼睛、腿等抽象特化的语义信息
4、CBL = Conv + BN + Leaky relu（每个卷积层之后包含一个批量归一化层和一个Leaky ReLU，目的是为了防止过拟合）
5、Res unit ：残差模块

二、YOLOV3 骨干网络

darknet-53去除了全局平均池化层和全连接层，是一个全卷积网络

anchor数：
yolov1：7x7x2 = 98
yolov2：13x13x5 = 845
yolov3：3x(13x13+26x26+52x52) = 10647

三、训练

对于负责拟合物体的grid cell：
对标注框中心点所在的grid cell产生的3个anchor（三个尺寸 13x13、26x26、52x52），由与物体实际标注iou重合度最高的那个anchor所在的grid cel来拟合物体

每个grid cell生成3个anchor，每个anchor对应一个预测框，每一个预测框5+80(x,y,w,h,objectness score,coco数据集80个类)
+ objectness score : 预测框包含目标的概率
+ class scores : 在预测框已经包含目标的概率下80个类别的条件概率

正负样本：

对于人工设置的阈值（yolov3为0.5）
正样本：与ground_truth 的IOU（大于设定的阈值）最大的anchor
忽略：与ground_truth的IOU大于设定的阈值，但不是最大的那个，忽略
负样本：与ground_truth的IOU小于设定的阈值

损失函数：

四、训练过程

五、测试过程

学习视频连接：https://www.bilibili.com/video/BV1Vg411V7bJ?spm_id_from=333.337.search-card.all.click&vd_source=f3e3bb108629bcdd87dc36e9ca94aac2