Yolov3原理分析及网络结构

参考博客：
1.介绍一个相对小众的深度学习框架Darknet，其YOLO神经网络算法对目标检测效果显著
2.YOLO v3网络结构分析（尤其是这一篇，更加深入和详细一些，网络模型图片也是转发于此)

一. 什么是Yolov3?

Yolov3是基于一款小众的深度学习框架——darknet的目标检测开源项目，darknet短小精悍，虽然功能和复用性不如当前大火的深度学习框架Tensorflow和Caffe2，但由于其源码都是用纯C语言和CUDA底层编写的，所以它的特点让它在Yolov3项目中大放光彩：速度快，充分发挥多核处理器和GPU并行运算的功能。所以，Yolov3的快速检测正好适合我们这种需要实时检测视频帧的项目；此外，它的准确度也非常高，在尺寸中等偏小的物体上有非常高的准确率，这得益于它的训练方式（会在下面介绍）,但在大尺寸的物体，比如占到了整个图片百分之60的物体，识别率则不尽如人意。

二. Yolov3的算法核心

上面已经介绍了，Yolov3是一个目标检测算法项目，而目标检测的本质，就是识别与回归，而处理图像用的最多的就是卷积神经网络CNN，所以，Yolov3本质上，就是一个实现了回归功能的深度卷积神经网络。

1. 特征提取方式
既然是训练卷积神经网络，就要提取图片信息的特征。相对于FAST R-CNN目标检测模型中使用region proposal（候选区域）特征提取，Yolov3选择了对于图片的全局区域进行训练，速度加快的同时，能够更好的区分目标和背景，但是对于大物体而言，背景也有可能被算进目标的一部分，所以这就是它对中小物体效果特别好，而大背景却不尽如人意的原因

2. 网络预测方式
Yolov3在预测图片上采用的是端对端的检测，将整个图片的分为S*S个区域，而如果一个物体的中心落在某个区域上，则对应的网络会对它进行检测。

而对于每个网络，都有一个bounding box，就是预测区域，每次预测时有四个坐标参数，左上角的xi,yi,宽度和高度tw,th，以及一个置信度。这个置信度就是逻辑回归的产物。置信度判断这个bounding box是否会被忽略，如果不会被忽略，则又会进行多标签分类的逻辑回归，从而贴上标签。

3 . 网络模型(最重要)
Yolov3最重要的内容就是一个庞大而丰富的深度卷积神经网络模型，它一共有53个全连接卷积层，所以作者在Github上又将该项目称为Darknet-53，但实际上卷积层不止53层，因为特征提取也用到了大量的卷积核。

下面这张图完美呈现了Darknet在测试时的网络连接状态：

(1) 一张416*416大小的图片输入，会经过很多层的深度卷积（图片中略过了层数）一直降维到52,26和13。

(2) 在52,26和13维分别有三个全卷积特征提取器，对应的是右边的Convolutional Set，这就是特征提取器的内部卷积核结构，11的卷积核用于降维，33的卷积核用于提取特征，多个卷积核交错达到目的。每个全卷积特征层是有连接的，在图中为Concatenate标志，意味着当前特征层的输入有来自于上一层的输出的一部分。每个特征层都有一个输出Predict，即预测结果，最后根据置信度大小对结果进行回归，得到最终的预测结果。

这就是整个Yolov3中Darknet网络算法的特点和流程。

原文链接：https://blog.csdn.net/Q755100802/article/details/88981760
参考：https://blog.csdn.net/qq_37541097/article/details/81214953