YOLO3算法个人算法理解心得

经过一段时间的代码解读和反复试验，加上与各位网友的交流，写下一点个人理解，希望对大家有所帮助。

yolo3算法属于one-stage算法，主要体现在，可以直接输出框和类型，这一点和faster-rcnn不一样。在faster-rcnn中，会先进行rpn网络进行proposal的提取，得到roi，随后再与特征图进行roi-pooling，得出结果。而yolo3直接由输入图片和kmean预先设定尺寸的锚框anchor进行预测，直接得出结果，不同于faster-rcnn的two-stage。

yolo3的算法主体框架是darknet53，在yolo2的darknet19上进行了改进，为了解决darknet53层数增加可能带来的梯度消失，借鉴了resnet的残差块，使用了short-cut，网络层数的增加提高了yolo的检测性能。同时，为了提高对小目标的召回率（recall），darknet53借鉴了类似fpn网络的上采样，将更上层的上采样信息与网络更浅层的特征信息进行concat，而不仅仅是采用最后一层的卷积结果进行预测。这就是yolo3的三种尺度。yolo3的三种大小的特征图分别为13×13，26×26，52×52，特征图越大代表着检测小物体的能力更强。
下图是yolo3的骨架网络示意：

对于416×416的输入来说，13×13的特征图代表着32个像素经过网络后变成1个像素，也代表着，特征图的1个像素意味着输入原图的32个像素点，这样也就不难理解，