实时目标检测YOLO系列之YOLOv3

论文地址：https://arxiv.org/abs/1804.02767

Abstract：   

      2018年，作者 Redmon 又在 YOLOv2 的基础上做了一些改进。特征提取部分采用darknet-53网络结构代替原来的darknet-19，利用特征金字塔网络结构实现了多尺度检测，分类方法使用逻辑回归代替了softmax，在兼顾实时性的同时保证了目标检测的准确性。

      从YOLOv1到YOLOv3，每一代性能的提升都与backbone（骨干网络）的改进密切相关。在YOLOv3中，作者不仅提供了darknet-53，还提供了轻量级的tiny-darknet。如果你想检测精度与速度兼具，可以选择darknet-53作为backbone；如果你希望达到更快的检测速度，精度方面可以妥协，那么tiny-darknet是你很好的选择。总之，YOLOv3的灵活性使得它在实际工程中得到很多人的青睐！

      最后，YOLOv3 与 SSD 的变体性能相当，但是速度提高了 3 倍。不过，它仍比 RetinaNet 模型差一些。随着 IOU 阈值增大YOLOv3 的性能会有所下降，这是由于 B-box 与物体完美对齐的效果不那么好。过去，YOLO 不擅长检测较小的物体，如今这种情况已经改变，但是它在中等尺寸和更大尺寸的物体上的表现相对较差。当用 AP_50 指标表示精确度和速度时，可以看到 YOLOv3 与其他检测系统相比具有显着的优势。

1. 基本介绍

（1）介绍

       YOLOv3是基于回归的方式进行特征提取的实时目标检测算法之一，通过端到端的过程训练网络，最终在多尺度融合的特征层中回归出目标的类别与位置。端到端的训练方式使得分类与定位过程为一体。其两者共同的损失函数参与反向传播计算，在节约特征提取时间的同时又提升了精度，满足了目标检测的实时性需求。

      相较于YOLOv1-v2，YOLOv3 同样是先在 ImageNet 上预训练，然后改为检测网络训练。特征提取网络是 DarkNet-53，含有 52 个卷积和 1 个全连接。与 DarkNet-19 相比，层数多了不少，主要的改变在于：

1. 去掉了池化层，全部由一个步长为 2 的卷积层完成下采样。

2. 最后的全连接层又回来了。

3. 内部出现了类似于 ResNet 的残差连接。

（2）原理

输入 416*416*3 的图像，通过 Darknet53 网络得到 三种 不同尺度的预测结果，每个尺度都对应 N 个通道，包含着预测的信息：

1. 每个网格每个尺寸的 anchors 的预测结果 。

2. 对比下yolov1，有 7*7*2 个预测 ；

3. 对比下yolov2，有 13*13*5 个预测 ；

4. YOLOv3共有 13*13*3 + 26*26*3  + 52*52*3 个预测 ；

5. 每个预测对应85维，分别是4个坐标值、1个置信度分数、80个类别（coco数据集）。

（3）成就

       YOLOv3在 Pascal Titan X 上处理 608x608 图像速度达到 51 FPS，在 COCO test-dev 上 mAP 达到 57.9%，与RetinaNet（FocalLoss论文所提出的单阶段网络）的结果相近，并且速度快4倍。

YOLO v3的模型比之前的模型复杂了不少，可以通过改变模型结构的大小来权衡速度与精度。速度对比如下图所示：

                                       

                                                

（4）创新点

YOLOv3 最大的改进之处主要在于网络结构的改进：

与 darknet-19 对比可知，darknet-53 主要做了如下改进：

• 没有采用最大池化层，转而采用步长为2的卷积层进行下采样。
• 为了防止过拟合，在每个卷积层之后加入了一个BN层和一个Leaky ReLU。
• 引入了残差网络的思想，目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。
• 将网络的中间层和后面某一层的上采样进行张量拼接，达到多尺度特征融合的目的。

另外在多尺度预测、Bounding Box预测 和 类别预测也有所改进。

2. 网络结构及trick分析

（1）检测流程

YOLOv3框架如下图所示。