YOLO v3原理与代码解析

论文  https://arxiv.org/pdf/1804.02767.pdf

代码  https://github.com/qqwweee/keras-yolo3

Darknet 53

yolo v3借用了FPN特征融合的思想，但是又与Faster-Rcnn里的FPN不同，这里是通过concat的方式融合，faster-rcnn里则是通过add的方式。yolo v2中则是通过passthrough层实现网络浅层和深层特征的融合。

网络通过多尺度预测输出三个大小不同的预测，分别为13×13×255，26×26×255，52×52×255，这里255=3×(80+5)

y_true的shape为[(m, 13, 13, 3, 25), (m, 26, 26, 3, 25), (m, 52, 52, 3, 25)]，其中m是batch size，25是voc数据集的class_num + 5, 5是4个坐标和1个置信度。9个anchor的大小为(10,13),  (16,30),  (33,23),  (30,61),  (62,45),  (59,119),  (116,90),  (156,198),  (373,326)。根据大小将9个anchor分配到三个不同的输出层，计算gt box与anchor的iou，注意这里只考虑形状，即将gt box和anchor的中心对齐后再计算iou，找到每个gt box对应iou最大的anchor，分配到y_true中对应的位置。

Loss

其中带*号的表示预测值，不带*号的表示标签。具体来说分为三个部分

• 位置损失，xy损失是BCE loss，wh损失是MSE loss
• 目标置信度损失，即obj loss，是BCE loss
• 类别损失是BCE loss

其中在计算位置损失时，乘上了一个（2 - gt_w * gt_h）的系数，这里的gt_w和gt_h是归一化后的结果。这样会减小大目标的loss权重，增大小目标的loss权重，这样在一定程度上会防止小目标因为梯度太小而被直接丢弃的情况，起到和yolo v1中采用的平方根以降低boxes的大小对误差的影响同样的效果。

MMDetection中的yolo v3实现和官方的区别

• 去掉了位置损失中的权重系数（2 - gt_w * gt_h）
• 对于max_iou > thresh，但和gt不匹配的情况下，作为负样本。官方实现中是忽略其损失

参考

https://blog.csdn.net/dz4543/article/details/90049377

https://zhuanlan.zhihu.com/p/143106193

https://zhuanlan.zhihu.com/p/259487104