YOLOV3整体运行流程整理_yolov3训练流程-CSDN博客

本文链接：https://blog.csdn.net/weixin_39504171/article/details/106331834

1.网络输入：

YOLO V3依然采用YOLOV2中Multi-Scale Training的思想，每隔几次迭代后就会微调网络的输入尺寸。

训练时每迭代10次就会随机选择新的输入图像尺寸，因为YOLOV3的网络使用的下采样倍率为32，所以使用32的倍数调整输入图像尺寸{320,352，…，608}，训练使用的最小的图像尺寸为320 x 320，最大的图像尺寸为608 x 608，这使得网络可以适应多种不同尺度的输入。

2.网络结构Darknet-53:

作者首先训练了一个Darknet-53，YOLO V3网络就是使用了Darknet-53去除全连接层的前面52层。主要目的为：

1）这个网络结构能在ImageNet上有好的分类结果，从而说明这个网路能学习到好的特征；

2）Darknet-53相对于ResNet-152和ResNet-101，不仅在分类精度上相差不大，计算速度优于ResNet-152和ResNet-101，网络结构也更加简洁。

Darknet-53采用了残差网络的跳层连接方式，性能优于ResNet-152和ResNet-101这两种深层网络可能的原因为:

a.网络的基本单元的差异；

b.网络层数越少，参数少，需要的计算量少。

基础网络结构如下所示，可见这个网络大量使用残差的跳层连接，并去除池化层，使用的是步长为2的卷积来进行降采样。

3.多尺度预测：

如下图所示，在Darknet-53的基础上通过上采样和concat操作，输出了三个大小不同的特征图，从上到下分别对应深层/中层/浅层特征，实现了深浅层特征的融合。

1）尺度1: 在基础网络之后添加一些卷积层再输出box信息；

2）尺度2: 从尺度1中的倒数第二层的卷积层上采样(x2)再与最后一个16x16大小的特征图相加,再次通过多个卷积后输出box信息.相比尺度1变大两倍；

3）尺度3: 与尺度2类似,使用了32x32大小的特征图。

4.Anchors：

YOLO V3使用聚类算法得到9种不同宽高的先验框，前面输出的三种不同尺寸的特征图，每个特征图上的一个点只需要预测三个先验框。如COCO数据集在特征图上的anchors分布如下所示（默认输入为416*416*3）：

因此在默认输入为416*416时，实际总共有（13*13+26*26+52*52）*3=10647个推荐框。

5.网络输出：

以COCO数据集为例，COCO数据集共有80个物体类别，因此每个先验框需要预测85维（80维类别预测值/4个位置预测值/1个置信度预测值）；由于特征图中的每一个cell都会预测3个边界框，因此每一个特征图的预测通道数为：3*85=255维。

关于分类预测值，YOLO V3采用Logistic函数代替了Softmax函数，使得各个分类相互独立，实现了类别解耦。

关于位置预测值，YOLO V3通常不会预测边界框中心的确切坐标，它预测的是与预测目标的网格单元左上角相关的偏移，并且使用特征图中的cell大小进行了归一化。

当输入图像为416*416时，假设边框中心偏移预测值是 (0.4, 0.7)，则实际边框在 13 x 13 特征图上预测所得的相对坐标是 (1.4, 1.7)，具体的位置x坐标还需要1.4乘以cell的宽，y坐标为1.7乘以cell的高。

YOLO V3得出的宽/高偏移预测值使用图像的高和宽进行了归一化，假设预测值为(0.3, 0.8)则13 x 13 特征图的实际宽和高是 (13 x 0.3, 13 x 0.8)。

6.参考文献：

（3）《深度学习之pytorch物体检测实战》