YOLO v3原理解析

      YOLO v3是从YOLO v1,YOLO v2逐步改进而来,在继承了v1,v2很多内容的基础上,也有了很多新的改进,一步步提高网络的性能,v1,v2的基础有利于v3的理解,请不熟悉v1,v2的小伙伴先参考一下博客YOLO v1原理解析,YOLO v2原理解析

YOLO系列原理概述

       通过特征提取网络对输入图像提取特征，得到一定size的feature map，比如13*13，然后将输入图像分成13*13个grid cell，接着如果ground truth中某个object的中心坐标落在哪个grid cell中，那么就由该grid cell来预测该object，因为每个grid cell都会预测固定数量的bounding box（YOLO v1中是2个，YOLO v2中是5个，YOLO v3中是3个，这几个bounding box的初始size是不一样的），那么这几个bounding box中最终是由哪一个来预测该object？答案是：这几个bounding box中只有和ground truth的IOU最大的bounding box才是用来预测该object的。可以看出预测得到的输出feature map有两个维度是提取到的特征的维度，比如13*13，还有一个维度（深度）是B*（5+C），注：YOLO v1中是（B*5+C），其中B表示每个grid cell预测的bounding box的数量，比如YOLO v1中是2个，YOLO v2中是5个，YOLO v3中是3个，C表示bounding box的类别数（没有背景类，所以对于VOC数据集是20），5表示4个坐标信息和一个置信度（objectness score）。

YOLO v3网络结构

      YOLO v3继续使用Darknet网络作为backbone,在引入resnet的思想的基础上,设计了Darknet-53,其结构如下

YOLO v3细节说明

        前面说过YOLO v3是由v1,v2改进演变而来,所以有很多和v1,v2相似的内容就不在详细叙述.

• Bounding Box Prediction

      bounding box的预测和v2相同,这里就不叙述了

• 类别预测

      将原来的单标签分类改进为多标签分类,因为在一些复杂场景下，一个object可能属于多个类

• 多scale融合预测

       从前面没出的网络结构大家就可以看出,YOLO v3采用了类似FPN的upsample和融合做法（最后融合了3个scale，其他两个scale的大小分别是26*26和52*52），在多个scale的feature map上做检测,对小目标的检测效果提升比较明显.

YOLO v3任然采用聚类的方法获取bounding box的初始尺寸,且每个feature map上anchor个数由5变成3,其尺寸如下表所示

 

最后推荐一个参考资料:https://blog.paperspace.com/tag/series-yolo/，介绍如何用PyTorch实现YOLO v3算法.