yolov3实现理论

代码下载：https://github.com/pakaqiu/yolov3_simple
视频链接：https://www.bilibili.com/video/BV1MK4y1X74Q?p=1
1、yolov3简介
yolov3已经出来好久了，最近一直在做基于yolo系列的检测相关工作，并对相关的源码进行了研究与分析。yolov3并没有很大的创新，更多的是借鉴了最近两年一些网络构造技巧。不过不得不承认效果还是很赞的，在保持速度的前提下，提升了预测精度，尤其是小目标物体的检测相比v1、v2来说得到了较大的改善。
yolov3的主要改进：调整了网络结构；利用多尺度特征进行目标检测；对象分类用logistic取代了softmax。
​
2、网络结构
以darknet-53为例，具体结构如下：

其中residual示意图如下：

3、利用特征的多尺度信息进行目标检测，这里的特征多尺度实际上就是特征金字塔，和传统图像算法的金字塔结构相比，这样大大减少了计算量，同时也增加了特征的感受野。

yolov2中也采用了passthrough的结构来检测细粒度特征，v3中则采用三个不同的特征图进行目标检测。三个尺度的特征图尺度相对输入图像的stride分别为32,16,8；stride越大则特征图的局部野越大，能够用于检测较大的目标物体，stride越小则反之。同时，anchors的映入能够是的网络更好的进行学习。网络中采用了9种不同尺度的先验框，具体分配如下：

具体如下(黄色框为gt，蓝色框为anchors)：

当然，这里的anchors可以根据自己的数据集不同而进行生成自己相应的anchors，具体anchors的产生可以参考我之前的博客anchors生成。

4、输入到输出的映射
输出数据唯独信息分布如下：

上图输入数据为4164163，数据以coco为例，共80个类别；三个yolo输出层分别对应stride为32,16,8；每个输出层的每个网格对应三个anchor，每个目标物体四个坐标和一个坐标，所以输出为：feature_h * feature_w * 3 * (4 + 1 + 80)；上面的例子一共有13 * 13 * 3 + 26 * 26 * 3 + 52 * 52 * 3 = 10647个预测结果，每个预测是(4 + 1 + 80) = 85维的向量。而v2只有845个预测。

5、总结
yolov3借鉴了残差网络，形成了更深的网络层次，多尺度的特征图使得输出层具有不同的感受野，提升了map以及小目标物体的检测结果。

个人水平有限，很多东西也是参考了他人的成果，在此表示感谢，同时加入了部分个人理解，若文中有不当之处请指教，谢谢！