YOLOv3模型原理解析

---

前言

YOLO v3 通过多尺度检测（利用 FPN 结构在 13×13、26×26、52×52 三个特征图上分别检测大、中、小目标，每个尺度 3 种锚框共 9 种）、更强的 Darknet-53 骨干网络（53 层卷积 + 残差连接）、多标签分类（二元逻辑回归替代 softmax）、灵活输入尺寸（默认 416×416）以及优化的损失函数（边界框回归用 MSE，类别和置信度用二元交叉熵），显著提升了多尺度目标检测能力，在 COCO 数据集上 mAP@0.5 达 57.9%，兼顾精度与实时性（22ms / 帧，30 FPS 以上），成为当时主流的实时目标检测算法。

一、yolo-v3与其他网络的对比

二、yolo-v3核心机制

1、v3先验框的改进

yolo-v3最大的改进就是网络结构，使其更适合小目标检测特征做的更细致，融入多持续特征图信息来预测不同规格物体与yolo-v2不同的是先验框更加丰富了，同样基于k-means聚类，但针对不同尺度的特征图（13×13、26×26、52×52）分配不同尺寸的锚框，每个尺度分配3种锚框，分别对应大、中、小目标的检测需求，yolo-v2有5个先验框，yolo-v3有9个先验框。

小的scale感受野更大，所以小scale对应大的特征图，大的scale对应小的特征图，中等的就对应中等的特征图。

从上图中网格的密集程度就可以观察出谁的感受野更大。

2、scale变换经典方法

图像金字塔；右图是单一的输入
为了应对不同尺寸的网络输入，把图像进行resize，改变分辨率后送入网络，这种显然不适合YOLO速度第一，MAP第二的思想


左图是对不同的特征图分别利用；右图是将不同的特征图融合后进行预测。

3、yolo-v3中的残差连接

在 YOLOv3 中，残差连接（Residual Connection）是一个核心设计，它通过跳跃连接（Skip Connection）将网络的输入直接添加到后续层的输出中。这种设计主要解决了深度神经网络中的梯度消失 / 爆炸和退化问题，并显著提升了模型的性能。

• 解决梯度消失 / 爆炸问题在深度神经网络中，梯度在反向传播过程中会逐层传递和累积。当网络层数极深时，梯度可能变得极小（梯度消失）或极大（梯度爆炸），导致模型无法训练。残差连接的作用：通过直接连接输入和输出，梯度可以直接从后向前流动，形成 “短路” 路径，避免梯度在多层传递中衰减或爆炸。

• 缓解退化问题退化问题：实验发现，当网络层数增加时，准确率可能先上升后饱和，甚至急剧下降。这并非由于过拟合，而是因为更深的网络难以学习到恒等映射（即 H(x) = x）。残差连接的优势：残差块可以轻松学习到恒等映射（只需将 F(x) 的权重参数趋近于 0，即 (F(x) 约等于 0)，输出 (y近似于 x），从而保证网络性能不会因深度增加而退化。

• 提升特征复用能力YOLOv3 的主要任务是目标检测，需要同时捕获图像的低级特征（如边缘、纹理）和高级语义特征（如物体类别）。残差连接的作用：通过跳跃连接，早期层提取的低级特征可以直接传递到后续层，与高级特征融合，帮助网络更好地定位和识别不同大小的物体。

• 加速模型收敛残差网络通常比传统网络收敛更快，因为残差映射比直接学习完整映射更容易优化。在 YOLO-v3 中，更快的收敛意味着可以在更短的时间内训练出高性能模型。
  
  残差连接是为了找到更好的特征，V3中也使用到了resnet残差的思想，堆叠更多的层进行特征提取。

4、核心网络架构

5、从输入映射到输出

9种尺度的先验框
YOLO3延续了K-means聚类得到先验框的尺寸方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。在COCO数据集这9个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。
分配上，在最小的13x13特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的2626特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的5252特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。

6、先验框的设计

YOLO3延续了K-means聚类得到先验框的尺寸方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。在COCO数据集这9个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。
分配上，在最小的1313特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的2626特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的52*52特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。
大的先验框在感受野大的特征图中检测.
COCO数据集的介绍：https://blog.csdn.net/qq_44554428/article/details/122597358

7、Logistic分类器

YOLOv3用多个独立的Logistic分类器替代了传统目标检测模型中常用的Softmax分类层。
Softmax函数将神经网络的输出转换为概率分布，所有类别的概率之和为1。然而，Softmax函数的是每个样本只属于一个类别。但在更复杂的目标检测场景中，一个物体可能同时属于多个类别，例如一个人可能同时被标记为“人”和“行人”。这种情况下，Softmax函数就不再适用，因为它会强制每个样本只属于一个类别。

在Logistic分类器（逻辑回归）中，每个类别的预测是独立进行的。对于输入样本，分类器会为每个类别计算一个概率值，表示该样本属于该类别的可能性。

Logistic分类器通常使用Sigmoid函数（也称为Logistic函数）作为激活函数。Sigmoid函数将神经网络的输出映射到(0, 1)区间，表示样本属于某个类别的概率。Sigmoid函数的数学表达式为如下图，其中，z是神经网络的原始输出。

假设有一个图像分类任务，需要识别图像中是否包含“猫”、“狗”和“鸟”三种动物。使用Logistic分类器时，模型会为每个类别（猫、狗、鸟）分别计算一个概率值。例如：

• 图像A：猫的概率=0.8，狗的概率=0.3，鸟的概率=0.1
• 图像B：猫的概率=0.2，狗的概率=0.7，鸟的概率=0.6
  设定阈值为0.5，则：
• 图像A会被标记为“猫”（因为猫的概率>0.5），而不会被标记为“狗”或“鸟”（因为它们的概率<0.5）。
• 图像B会被标记为“狗”和“鸟”（因为它们的概率都>0.5），而不会被标记为“猫”（因为猫的概率<0.5）。

总结

YOLOv3通过Darknet-53主干网络、多尺度特征融合和高效的检测头设计，在保持实时性的同时大幅提升了检测精度。其实现流程可概括为：输入处理 → 2. 特征提取 → 3. 多尺度融合 → 4. 预测输出 → 5. 后处理。该架构在目标检测任务中兼顾速度与精度，至今仍是工业界和学术界的经典基准模型。