YOLOV3详解

最新推荐文章于 2025-02-22 20:25:40 发布

大道@至简

最新推荐文章于 2025-02-22 20:25:40 发布

阅读量4.2k

点赞数

分类专栏： Deep Learning

本文链接：https://blog.csdn.net/long630576366/article/details/109117434

版权

Deep Learning 专栏收录该内容

22 篇文章

订阅专栏

论文地址：yolo v3
建议先理解 yolo v1详解 , yolo v2详解

YOLOV3 是集成了 SSD（多尺度预测）， FCN(全卷机)，FPN（特征金字塔），DenseNet(特征通道concat) 网络的大成之作!

YOLOV3 的主干网络backbone 称为 DarkNet, 主要有DarkNet-21 , DarkNet-53, 区别在于每层的 ResidualBlock 个数不同.

yolo-v3 网络结构:

在这里插入图片描述

1、DarkNet-53 搭建:

darknet-53 由一个初始卷积层 + 5个Layer 层构成，进入layer层后进行下采样，大小减半，通道增倍。每个Layer 由若干个 ResidualBlock组成。

ResidualBlock 构建：

out = in + (1x1conv + 3x3conv)[ in ]

    def forward(self, x):
        residual = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu1(out)
        out = self.conv2(out)
        out = self.bn2(out)
        out = self.relu2(out)
        out += residual  # Residual Block
        return out

生成layer：

先进行下采样，然后多个residuablock 组合。例如 plane = [32, 64 ]表示整个layer输入通道=32 ，输出通道=64。在layer 中进行 blocks 次 ResidualBlock。

    def _make_layer(self, planes, blocks):
        layers = []
        #  downsample
        layers.append(("ds_conv", nn.Conv2d(self.inplanes, planes[1], kernel_size=3,
                                stride=2, padding=1, bias=False)))
        layers.append(("ds_bn", nn.BatchNorm2d(planes[1])))
        layers.append(("ds_relu", nn.LeakyReLU(0.1)))
        #  blocks
        self.inplanes = planes[1]
        for i in range(0, blocks):
            layers.append(("residual_{}".format(i), BasicBlock(self.inplanes, planes)))
        return nn.Sequential(OrderedDict(layers))

layer 组合生成 DarkNet：

 def __init__(self, layers):
        super(DarkNet, self).__init__()
        self.inplanes = 32
        self.conv1 = nn.Conv2d(3, self.inplanes, kernel_size=3, stride=1, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(self.inplanes)
        self.relu1 = nn.LeakyReLU(0.1)
        self.layer1 = self._make_layer([32, 64], layers[0])
        self.layer2 = self._make_layer([64, 128], layers[1])
        self.layer3 = self._make_layer([128, 256], layers[2])
        self.layer4 = self._make_layer([256, 512], layers[3])
        self.layer5 = self._make_layer([512, 1024], layers[4])
        
        self.layers_out_filters = [64, 128, 256, 512, 1024]

    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu1(x)
        x = self.layer1(x)
        x = self.layer2(x)
        out3 = self.layer3(x)
        out4 = self.layer4(out3)
        out5 = self.layer5(out4)

        return out3, out4, out5

DarkNet-53 网络输出3个不同尺寸的 featureMap

2、上采样特征融合输出:

本层特征经过 DBL（5层卷积）后分两个分支：
branch1:输出本层特征
branch2:上采样与次深层特征融合，生成此层融合特征。

  #  backbone
        x2, x1, x0 = self.backbone(x)
        #  yolo branch 0
        out0, out0_branch = _branch(self.embedding0, x0)
        #  yolo branch 1
        x1_in = self.embedding1_cbl(out0_branch)
        x1_in = self.embedding1_upsample(x1_in)
        x1_in = torch.cat([x1_in, x1], 1)
        out1, out1_branch = _branch(self.embedding1, x1_in)
        #  yolo branch 2
        x2_in = self.embedding2_cbl(out1_branch)
        x2_in = self.embedding2_upsample(x2_in)
        x2_in = torch.cat([x2_in, x2], 1)
        out2, out2_branch = _branch(self.embedding2, x2_in)
        return out0, out1, out2

输出3层预测结果 out0, out1, out2

大小分别为 13，26，52 通道数为 255 = 3 ×（5 + 80），即每个featuremap 上的点有3个预设anchor ，每个anchor 预测: 80类别 + 置信度 + 位置（x,y,h,w）

输出的3层特征图下采样倍数分别为 32 、 16、8 倍

经过Darknet-53（无全连接层），再经过DBL- block 生成的特征图被当作两用，第一用为经过33卷积层、11卷积之后生成特征图一，第二用为经过1*1卷积层加上采样层，与Darnet-53网络的中间层输出结果进行拼接，产生特征图二。同样的循环之后产生特征图三。

生成特征图之前经过 3x3 + 1x1卷积，上采样之前经过 1x1卷积已经是大多数网络的共性。

3、特征图解码

网络输出特征图 8 × 8 × 255、16 × 16 × 255、32 × 32 × 255，每个特征点上有3个anchor，所以最后reshape为8 × 8 × 3 × 85、16 × 16 × 3 × 85、32 × 32 × 3 × 85，这样更容易理解和实现。

3.1 、检测框解码 :

使用k-means对数据集中的标签框进行聚类，得到类别中心点的9个框，作为先验框。在COCO数据集中（原始图片全部resize为416 × 416），九个框分别是 (10×13)，(16×30)，(33×23)，(30×61)，(62×45)，(59× 119)， (116 × 90)， (156 × 198)，(373 × 326) ，顺序为w × h。

先验框只与检测框的w、h有关，与x、y无关，所以是聚类（w, h)。

box框聚类方法：

将box 框中心点对齐（全部假设为（0,0）），预设9个初始值box_cj（w, h).
dist = 1 - IOU(box_cj, box_i)
即可得到 box_i 所属的类别，对同一类别的所有Box 求平均（w, h）更新 box_cj获取新的中心(w,h)。

特征图预测的是（tx, ty, tw, th). 与对应的先验anchor 解码出实际的检测框：

在这里插入图片描述
因为 cx, cy 已经归一化到特征图上，所以偏移量sigmoid(tx)是anchor中心点在正向偏移，在（0,1）之间。所以最后计算的 bx, by需要乘上特征图下采样倍率才能得到真的 x, y。

在这里插入图片描述
3.2 、置信度解码

置信度关系到检测的正确率和召回率。占一位，用sigmoid 函数约束成概率【0,1】即可。

3.3、类别解码

每一维独立代表一个类别的置信度。使用sigmoid激活函数替代了Yolov2中的softmax，取消了类别之间的互斥，可以使网络更加灵活。

4、训练过程

4.1 、训练样本挑选

1、网络预设anchor有（8 × 8 + 16 × 16 + 32 × 32）× 3 = 4032 个，所以预测输出4032个pred box. 预测框一共分为三种情况：正例（positive）、负例（negative）、忽略样例（ignore）。

2、正样本：取一个GT，与4032个pred box 计算IOU ，取IOU 最大的pred box 为正样本，并把该pred box 标记为已分配。下一个GT 只能在剩余的4031个pred box 进行匹配IOU，并取最大。 正例产生置信度loss、检测框loss、类别loss

3、负样本：与全部ground truth的IOU都小于阈值（0.5）则为负例。负例只有置信度产生loss，置信度标签为0。
注：（与GT IOU 最大，但是 IOU < 0.5, 仍然为正样本，否则导致此GT没有正样本可训）

4、忽略样本：正例除外，与任意一个ground truth的IOU大于阈值（论文中使用0.5），则为忽略样例。忽略样例不产生任何loss。

4.1 、LOSS

三层LOSS 总和：
在这里插入图片描述
对于单层LOSS：

box框回归LOSS：针对正样本， MSE loss。回归（tx,ty,tw,th)，也可以使用smooth L1 loss。
置信度LOSS: 针对正负样本，一个简单的二分类交叉熵loss
分类LOSS：
通常负例的个数是正例的几十倍以上，可以通过权重超参控制检测效果。

在这里插入图片描述

5、一些 trick

忽略样本的重要性：不同尺度的特征图之间会有重合检测部分，而正样本往往要挑选最佳的一个。如果特征图1，特征图2 与GT 的IOU为0.98，0.95，将特征图1设为正样本，但是特征图2不能设为负样本。否则导致loss在正负响应loss之间拉扯。
置信度设置为1，而不是IOU值。用IOU会使很多低置信度的box在推理过程因为设置的激活阈值（比如0.5）被过滤掉。导致召回率偏低。