YOLOv3有哪些优化策略

序言

距离YOLOv3的发布已经快两年了，虽然在这两年里面虽然涌现了很多优秀的框架，但是毫无疑问的是，在工业界目标检测中，YOLOv3仍然很受CV爱好者们的喜爱，尽管新框架检测精度和速度不断提高，但是多数情况下是为了刷榜，并没有像YOLOv3一样普遍受众，这也是为什么距离发布已经快过去两年了，YOLOv3还是这么受爱好者们青睐的原因，不过近日作者在推特上宣布不再从事深度学习视觉领域的研究，这也意味着也许YOLO就此绝代，不会在有YOLOv4出现了，说实话还是很令人痛心的。

本篇文章主要是给出了一些YOLOv3的优化策略，当然不一定很全面，只是提供一下优化思路而已。

才说到yolo要绝版，结果v4又出来了，直接去看v4吧。。。各种tricks满天飞，大型优化调参现场，这篇文章随便看看就好了…

一、YOLOv3的不足之处

要优化改进一个模型，就必须要了解到它不足的地方，YOLOv3虽然说是一款速度兼精度已经非常优秀的框架，但是还是免不了存在以下问题：

1. 召回率不足；
2. 定位不够准确；
3. 模型在实际应用场景中的达不到实时性要求。

针对以上存在的问题，提出以下优化思路：更轻量级更快和更高的准确率和recall

二、优化策略

1. 更轻量级更快：

1.1 更换YOLOv3的backbone

YOLOv3默认的backbone是darknet53，虽然darknet53在精度和速度上相比于ResNet-101和ResNet-152要好，但是在一些特定的场景下，对于精度要求没这么高的、目标数目少等情况下，我们可以更换更轻量级的网络来作为它的backbone，可以尝试使用V2版本的darknet19或者Mobilenet系列和ShuffleNet系列的轻量级网络来满足模型的实时性要求。

1.2 提升训练速度

在训练YOLOv3时，通常我们会选择使用预训练好的模型进行迁移学习，这在微调的时候就存在一个问题，训练一开始就结束了。因为预训练模型在Imagenet上训练过了，设置的迭代次数应该是远大于cfg中的max_batch或者其他参数，所以刚开始训练就达到了截停的条件。如果不做fine-tuning，没有好的初始化又很难训练出好的模型。这时候可以选择只提取前面固定层的参数作为初始化权重，例如使用darknet19作为backbone，只提取darknet19的前面的1~39层参数；得到的darkent19.conv.40可以作为修改的yolov3-darknet19网络的初始化模型。

/darknet partial cfg/darknet19.cfg darknet19.weights darknet19.conv.40 40

如果想对要对模型进一步调整的话还可以尝试模型压缩、剪枝、蒸馏等技术。

2. 提升准确率和召回率：

2.1 对anchor进行重新聚类

在YOLOv3中，默认的anchor是从COCO数据集上聚类而来，然而在实际需求中，不一定适用，可以针对任务的不同，重新聚类新的anchor；

2.2 调整损失函数

YOLO是作为单阶段的检测器，免不了要面对类别不不平衡的问题，在V3的原文中说到作者使用了focal loss后mAP反而下降了两个百分点，但是并不证明focal loss在YOLOv3中是无用的，也很有可能是作者用错了地方，参考知乎上大神们的讨论关于YOLOv3使用focal loss mAP反而下降，还可以尝试其他的平衡类别不平衡的函数GHM（focal loss的改进版）等；

2.3 加入Gaussian loss

其实就是Gaussian YOLOv3这篇文章，文章的大致思路是对预测框的不确定性加入了Gaussian模型进行建模。在通过置信度筛选完目标区域后，对预测框进行回归，这时候只能通过NMS来筛选预测框，并没有确切的指标来衡量筛选后的预测框是否准确，作者通过引入Gaussian模型，可以对预测框的不确定性指进行衡量，在精度上有着非常不错的提升；

2.4 使用GIOU、DIOU代替IOU

这个就不再阐述了，感兴趣的可以去了解三者的差别，网上有很多文章；

2.5 可以使用效率更优的网络作为backbone

例如EfficientNet、HRNet、Res2Net等。

2.6 新的特征融合方式ASFF：

这篇论文才采用了新的特征融合方式，取得了非常大的效果，链接跳转 一种新的特征融合的方式ASFF 直接贴出效果图，可以说是全方面的提升，训练技巧集大成者，论文思想很简单，实现效果好。

如果有更好的优化方向，可以在评论区留言，一起探讨，有错误的地方，也希望能够指正。