图像物体中心点_手把手教你搭建YOLO V3 物体检测模型 （一）

对于刚刚入门人工智能的小伙伴来说，常常需要阅读其他人员写的代码，更多的时候这些代码可能即没有文档也没有注释。大大超过了我们能够阅读理解的范围。其结果是我们每每下定决心阅读，投入巨大的精力，却收效甚微。本文将为大家详细介绍如何快速上手，从零开始搭建目标检测YOLO V3 模型，此为第一讲。下一讲中，我们将通过使用 Pascal VOC dataset 为例来讲述如何训练模型。希望通过本文，小伙伴们都可以应用YOLO V3 模型训练自己的数据集。大家可以从我的Github上找到详细的代码以及Jupyter 教材文档 - https://github.com/AIrocker/YOLO-V3-in-Pytorch-A-Tutorial-on-Implementation-of-YOLO-V3-Algorithm。其效果图如下。话不多说，直接上干货。

 

YOLO V3 模型框架

---

YOLO 的全名是：You Only Look Once，是一个基于深度卷积神经网络的目标检测模型。在工业界应用已经非常广泛，目前已经开发到V3的版本。YOLO V3 的网络框架如下图所示，它是一个全卷积网络(FCN)。网络最终的输出是三个不同尺寸的特征图。在特征图上的每个单元(cell)可以预测3个边框(boundingboxes)。不同的特征图偏向于检测不同大小的物体，将三个特征图预测的边框叠加起来，通过过滤分数较低的框和使用非极大抑制法，便可以输出最终的预测边框。全网络有4种不同的层类型：

1. 卷积层 (convolutional)：每个卷积层都嵌入了batch normalization, 非线性激活层leaky relu。使用卷积(stride = 2)代替池化进行下采样，从而降低pooling带来的信息丢失。全网络共有5次的下采样。

2. 直连通道(shortcut)：如同Resnet ，YOLO V3 使用了直连通道，即该层输出是通过与倒数第三层网络相加而得到，通过学习残差来降低信息传递过程中的丢失和损耗问题。

3. 上采样(upsampling)：当输入图像通过一系列下采样得到第一个检测特征图之后，将采用上采样得到第二个检测特征图。重复相同的上采样过程，得到第三个检测特征图。

4. 跨层连接(route): 在第二和第三个检测特征图的计算过程中，使用了与先前层沿深度方向的维度连接，从而避免上采样所带来的信息丢失，提高后两层特征图的预测精度。  

YOLO V3 经过5次下采样，所得到的第一个检测特征图尺寸大小将是原输入图像的 1／32((1/ 2⁵)，stride = 32)。后两层检测特征图由于依次进行了上采样，特征图尺寸大小分别是原图的1/16(stride = 16) 和 1/8 (stride = 8)。例如输入416 x 416 的图像，检测特征图尺寸将分别为13 x 13，26 x 26，52 x 52。在特征图上的每个单元(cell)深度为B x (5 + C)。B = 3表示每个单元可以预测的bounding box 数量。每个bounding box 包含有5+C 个属性，包括bounding box 的中心坐标，长宽，目标得分(object score)，和C个类别的分类置信度。例如COCO 数据集有80个物体类别，因此每个单元的深度为3 x (5 + 80) = 255。

我们如何通过特征图来准确检测物体呢？以下图为例，输入416 x 416 的图像,  第一个检测特征图的维度就是13 x 13,  将输入图像划分为13 x 13 的单元格。我们只希望包含了真实的bounding box (黄色边框)中心坐标的单元(红色格子)来预测对象(狗)。在每个单元格，YOLO V3 都预先定义了三个不同大小的基础边框(称之为anchor)，其中与真实的bounding box 的IoU 最大的anchor 来提供预测结果。也就是说，我们希望在红色格子下与黄色边框的IoU 最大的bounding box 的目标得分高于阀值。而其他无关的bounding box 的目标得分要低于阀值。这就是模型训练的基本逻辑。在下一讲中，我们将详细阐述其过程。

模型输出及转换

---

目标检测模型通常并不直接预测实际边框的坐标位置，因为这会导致训练过程中的梯度不稳定。YOLO V3 对于物体边框的预测采用下列公式。对于中心点的预测，模型的输出为偏移量(tx, ty) ，预测结果通过一个sigmoid 函数，并和对应单元在特征图的左上角坐标相加，从而得到预测边框中心点在特征图上的位置。对于边界框尺寸的预测，模型输出的是对数空间变换值(tw, th)。pw和ph为anchor在特征图上的长宽维度。

YOLO V3 对于每一个检测特征图都有预定义