YOLOV3总结

Object Dedection一般分为one stage和two stage两种框架，one stage的代表有yolo系列、ssd等，two stage的代表有faster rcnn、light head rcnn、rfcn等，本系列会详细介绍这两种框架，会从yolov3 到 light head rcnn讲起：

首先是yolov3,下图贴出的是yolov3的框架图：

上述是yolov3的示意图，整个yolov3的完整可视化资源已上传网站，下载地址为https://download.csdn.net/download/weixin_41015185/10790747，如下载有问题请联系作者， 创建一个logdir文件夹，将下载内容放入，注意tensorflow版本是1.10,打开代码如下：

tensorboard --logdir=logdir
 
 

部分graph如下：

output_node:1

output_node:2

output_node:3

final_output:也就是decode的过程，网络输出的三种结果经过nms（非极大值抑制）处理生成最终结果：

 

此图是由pb文件生成，有了完整的graph我们就可以用c++做前向传播调用了，yolov3的完整输入输出结构，丢进一张图片，输出最终结果，即目标位置和分类，属于猫还是狗等，读者可以根据yolov3的相关代码结合此图了解整个框架。

假设我们有一张图片，如下所示：

 

模型训练时要做 random preprocessing for real-time data augmentation，也就是resize iamge（416,416）维数、flip image、distort image、correct box position等相关操作，获取如下图片结果示意：

这是通过data augment生成的训练数据。

如何从一张输入的图片得到用于训练的y_true值呢，也就是说我们整个网络三个output_node输出的结果是（1,13,13,3,4,1,80）、（1,26,26,3,4,1,80）、（1,52,52,3,4,1,80），其中3代表每个维度上对应的三个anchors，一共三个维度输出，一共9个anchors，4代表box坐标值，1代表box置信度，80代表目标分类得分，coco数据集是80分类，那么我们也要将输入的图片转换成相应维度的真值，我们原始输入是（416,416,3）维图片，box为（x1,y1,x2,y2,class)。那么我们将原始图产生的y_true（维度为[1,13,13,3,85]、[1,26,26,3,85]、[1,52,52,3,85]）与预测产生的值也就是网络输出的三个output_node结果做loss进行优化。

y_true生成的过程：

首先我们给出的图片维度是（416,416,3），假设box的大小[241. 193. 275. 249.   0.]，box的前四位数是box的坐标值，最后一维是class类别索引值，假如我们要做三个分类，那么输出维度就是[1,13,13,3,4,1,3]，其他输出类似，比如这三个类别为猫、狗、羊，我们分别给猫狗羊打上标签为0,1,2 ， 那么box的最后一个数就是代表那个分类。yolov3 给出了9个anchors，每三个anchors对应一个输出维度，通俗点讲，就是给除了9个大小不同的box，这9个box是根据给出的所有真值box聚类形成的，具体算法可以百度搜索k_means，这里假设是[10,13 16,30 33,23 30,61 62,45 59,119 116,90 156,198 373,326]，数值为box的宽和高，这样既能感受大的物体，也能感受小的物体，[1,13,13,3,8]对应[116,90 156,198 373,326]三个box，[1,26,26,3,8]对应[30,61 62,45 59,119]三个box，[1,52,52,3,8]对应[10,13 16,30 33,23]三个box。好了，原始数据有了，那么我们怎么知道这个box[241. 193. 275. 249.   0.]是在[1,13,13,3,8]、[1,26,26,3,8]、[1,52,52,3,8]这三个维度当中那个坐标或者我们叫做索引值下呢，这里我将分类改成3个，而不是80分类，以便于理解。

下图为如何求解box中心格子位置索引（这里有个修正，2.5应该是2,以对应下面计算）：

还有一个问题，我们一共由三个维度的输出（13,13）（26,26）（52,52），那么我们是如何知道这个box应该索引哪个维度呢，还记得吗，我们给出了9和anchors，每个维度对应三个anchors，那么最简单的原理就是我原始box和这9个当中哪个anchor最像，那么这个box的索引就是那个维度，同时我们也搞定了（1,13,13,3,8）（1,26,26,3,8）（1,52,52,3,8）的第三个数值3的位置，由此格子的位置和anchor的位置都有了。那么如何表述最像这件事情呢，用到的一个算法就是IOU，交并比的概念，不熟悉的可以百度。

[[0.06827731 0.25210084 0.39863445 0.81791626 0.48356511 0.27118644  0.18237548 0.06164206 0.01565815]]，这里给出的是[241. 193. 275. 249.   0.]这个box和9个anchor求出的IOU值，在这里我们可以看出第三个索引值最像，也就是和[30,61]这个anchor最像，而这个anchor属于(1, 26, 26, 3, 8)这个anchor的第1个位置。

下面是对应的求解位置，读者可以自行验算：

box：[241. 193. 275. 249.   0.]

1.首先将box中心坐标和宽高归一化：[ 0.6201923   0.53125     0.08173077  0.13461539  0.       ]  中心坐标计算（x2 + x1）/ 2 /416；（y2 + y1）/ 2/416；

2.属于（26,26）这个维度的第1个anchor位置；

3. (26,26)位置计算，0.6201923 × 26 = 16，0.53125 x 26 = 13；

4.那么将归一化的box填进y_true值，这里我们先前假设定义为（1,26,26,3,8）的零向量；y_true[1, 16, 13, 1, 0.6201923,   0.53125 ,   0.08173077,  0.13461539, 1， 1, 0 ,0] ，因为我们box的最后一维是0,也就是属于猫类，做one_hot,也就是[1 0 0]代表猫，[0 1 0]代表狗[0 0 1]代表羊，第8个维度是1，代表box的置信度。

5.自此除了[1, 16, 13, 1]这个位置有值以外，其他位置全部为0,那么我们真实的y_true就这样产生了。

神经网络架构：

darknet采用了类似FPN的upsample和融合做法，最后融合了三个scale，这么做的目的是为了加强对小目标的检测，下面就主要说下这个是怎么实现的，也就是scale1，scale2和scale3之后的部分，之前的部分在很多博客中都有了，其实如果你下载了我给出的可视化资源链接，用tensorboard打开看一下，很清楚的就了解了darknet的整个网络架构了。如下图所示：

这是整个网络的基本结构。

loss函数及框的预测：

这里先将以下RCNN的框的预测，以便于好理解一点，看图：

其中tx = （Gx - Px）/ Pw; ty = (Gy - Px) / Ph; tw = log(Gw/Pw); th = log(Gh/Ph)。

关于Bounding-Box Regression论文中是这么说的，用一个分类检测器SVM（支持向量机）给每一个选择性搜索区域打分之后，用一个指定分类bounding box 回归器预测一个新的bounding box，输入到CNN里面的训练数据时{（Pi，Gi）}，Pi定义为（Pxi，Pyi，Pwi，Phi），同样G也是如此定义，目的就是学习一种变换，将框P映射到真值G上。用四个公式dx(p),dy(P),dw(P),dh(P)，来定义这种变换，前两个参数指定了P中心坐标的尺度不变变换，后两个参数指定了P的高和宽在log空间的变换，当学习完这些参数后，那么我们就可以将P变换成G^，如平移公式和缩放公式，最终到公式3。在预测框时，定义IOU值为大于0.6的进行回归，这样做是为了满足近似线性转换条件，想一下，如果P跟G离得很远，就是复杂非线性问题了，这样会导致训练的模型不work，为什么IOU较大时认为是近似线性变换呢，看公式1和公式2就大体了解了，那么问题就有答案了，看公式4和公式5，我们有了真正tx，ty，tw，th，我们学习一组参数Wi，，经过学习之后loss降到最低，现在Wi的值有了，我们丢进去一张proposal的图像，那么我们是否就预测出了tx，ty，tw，th的值了呢，有了这些值，是否就是可以计算最终回归的框了呢，答案是肯定的。

好了，RCNN的bounding box regressiogn的故事就讲完了，如果有误示，请指正，回归到YOLOV3本身上来，我们看下YOLOV3是怎么做的回归的。

同样是先把这个图和公式给贴上来：

公式1

 

公式2

 

先做真实值，还记得RCNN吗，我们是怎么做的，由RCNN我们可以想到在训练的时候bx，by，bw，bh就是我们的ground truth，注意，我这里的说的训练的过程，而不是预测过程，不能混淆，那么先前我们已经定义了y_true了，我在这里在写一此，它的值为[1, 26, 26, 3, 8]，那么就这么定义tw =log(y_true[..., 2:3] / anchors * 416)，后先搞清楚一点bw是什么，因为y_true是我们归一化的框的值，那么我们是不是应该还原回去，乘以个416，所以bw = y_true[..., 2:3]*416，这是bw代表的ground truth是不是就有了呢，似曾相识的感觉，对了这就是RCNN的概念，这也是我要把RCNN贴出来做例子了，同样的道理，th也是这样计算的，那么在看tx和ty，因为这里有区别与RCNN，直接写，sigmoid(tx) = y_true[..., 0:1]*26 - grid，这里说下grid也就是论文中的cell，那么bx = y_true[..., 0:1]*26，很好理解吗，中心坐标也是归一化的，我要知道它在那个格子里面，是不是也要乘以26，这个前面已经提到了，到此位置我们用y_true产生的tx，ty，tw，th就产生了，这也就是anchor在这里的作用。