(三)Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3（YOLOv3）

YOLOv3
视频

YOLO网站上的对于YOLOv3的引述：

在Pascal Titan X上，它以30 FPS的速度处理图像，并且在COCO测试开发中的mAP为57.9％。

类预测
大多数分类器假定输出标签是互斥的。如果输出是互斥的对象类，则为true。因此，YOLO应用softmax函数将分数转换为总计为1的概率。YOLOv3使用多标签分类。例如，输出标签可以是非排他性的“行人”和“孩子”。
（现在输出的总和可以大于1。）YOLOv3用独立的逻辑分类器替换了softmax函数，以计算输入属于特定标签的可能性。YOLOv3在计算分类损失时不使用均方误差，而是对每个标签使用二进制交叉熵损失。通过避免softmax函数，这也降低了计算复杂度。

边界框预测和成本函数计算
YOLOv3使用逻辑回归预测每个边界框的客观性得分。YOLOv3改变了计算成本函数的方式。如果边界框先验（锚点）与地面真实物体的重叠程度大于其他事实，则对应的客观性得分应为1。对于重叠度大于预定义阈值（默认值为0.5）的其他先验，它们不会产生任何成本。每个地面真理对象仅与一个边界框相关联。如果没有分配先验边界框，则不会导致分类和定位丢失，而只会降低客观性的置信度。我们使用tx和ty（而不是bx和by）来计算损失。

功能金字塔网络（FPN），例如功能金字塔
YOLOv3每个位置进行3个预测。每个预测由一个边界框，一个客观性和80个类别分数组成，
即N×N×[3×（4 + 1 + 80）]个预测。

YOLOv3以3种不同的尺度进行预测（类似于FPN）：
1、在最后一个要素地图图层中。
2、然后，它返回2层并向上进行2倍向上采样。YOLOv3然后获取分辨率更高的特征图，并使用逐元素加法将其与向上采样的特征图合并。YOLOv3在合并的地图上应用卷积滤波器以进行第二组预测。
3、再次重复2，这样得到的要素地图图层将具有良好的高级结构（语义）信息以及有关对象位置的良好分辨率的空间信息。

为了确定先验，YOLOv3应用k均值聚类。然后，它预先选择9个群集。对于COCO，锚的宽度和高度为（10×13），（16×30），（33×23），（30×61），（62×45），（59×119），（116× 90），（156×198），（373×326）。
这9个先验根据其规模分为3个不同的组。在检测对象时，将每个组分配给上面的特定特征图。

特征提取器
使用新的53层Darknet-53代替Darknet-19作为特征提取器。Darknet-53主要由3×3和1×1滤波器组成，这些滤波器具有跳过连接，例如ResNet中的残留网络。与ResNet-152相比，Darknet-53具有更少的BFLOP（十亿浮点运算），但以2倍的速度实现了相同的分类精度。

YOLOv3性能

YOLOv3的COCO AP指标与SSD相当，但速度提高了3倍。但是YOLOv3的AP仍然落后于RetinaNet。特别是，AP @ IoU = .75与RetinaNet相比明显下降，这表明YOLOv3具有更高的定位误差。YOLOv3在检测小物体方面也显示出显着改进。

当速度很重要时，YOLOv3在快速检测器类别中的表现非常好。

原文：https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo-yolov2-28b1b93e2088