yolov3损失函数_目标检测：YOLOV3 （Tech Report）

今天我们要迎来了一篇最有意思的论文了，作者写的非常随性，但是这一版的YOLO却非常的惊艳，我当初是因为看了YOLOV3在憨豆电影的效果喜欢上了CV，哈哈，没想到作者这么随行！YOLOV3在22ms的时间内达到了28.2mAP，与SSD的精度差不多但是比它快了3倍。这就是YOLOV3的优势，在精度和速度上达到了一个完美的trade-off，至少现在是完美的！

算法总览

相比于YOLOV2，YOLOV3需要解决的问题就是小目标检测不准的问题和模型提速的问题，可以通过上图看到，YOLOV3在速度和精度的折中效果特别好，在保持速度的同时精度达到了一个可以接受的情况。延续了YOLOV2的边框聚类和BB回归的操作，那么他到底改进了什么呢？我们一起来看看！先看一个整体框图：

这是YOLOV3的网络结构，除了在网络中加入残差模块，还吸收了SSD和DSSD的优点，如多尺度检测和反卷积增强特征。我觉得更像FPN的思路，但还有不同，作者对一个高层的特征层进行上采样后，这样就与前一层的尺度一致了，这里我们使用concatention进行高层和底层的连接，然后经过一个卷积层做检测，而FPN则是相加，增强语义信息。这样就使得小目标的检测变得效果非常好。

网络结构

加入了残差模块，这样就可以提取更好的语义特征！网络效果如下：

通过上图，可以看出，还是我凯明大佬的ResNet牛，这是至今提取特征最牛的网络了，我所知道的，哈哈~~当然作者也不差，这也就是YOLOV3精度高的原因，因为提取的特征更好了，所以精度自然就上去了！

Anchor数量

YOLOV2的anchor只有5个，并且在同一个尺度的特征层上进行检测，所以并不是太好，但是过多的anchor又对速度有很大的影响，作者在YOLOV3做了稍微的增加，使用了9个anchor,大小分别为(10×13),(16×30),(33×23),(30×61),(62×45),(59× 119),(116×90),(156×198),(373×326).

其他

• 作者还尝试了Focal Loss，但是使得模型降低了2%的mAP，作者猜想可能是由于YOLOV3的 Loss函数中已经有了目标区域的概率损失，所以有了鲁棒性！或者其他原因

最后，这能这篇文章讲的不是太清楚，但原论文就不清楚，作者好随意，所以想要真正了解YOLOV3，看源码把，没有别的办法~~作者在最后还唠叨为甚么改变old detection metric.作者还呼吁科技不能做那些可怕的事情！

算法总结

牛逼！！！