YOLOv3 浅记

看了一个大佬的博客，简单记一下YOLOv3。

一、网络结构

从这里盗了图：

​

二、backbone:darknet-53

分类效果：相对于ResNet-152和ResNet-101，darknet-53不仅在分类精度上差不多，计算速度还比ResNet-152和ResNet-101强多了，网络层数也比他们少

模型改进点1：yolo_v3这个网络是一个全卷积网络，大量使用残差的跳层连接，并且为了降低池化带来的梯度负面效果，作者直接摒弃了POOLing，用conv的stride来实现降采样。在这个网络结构中，使用的是步长为2的卷积来进行降采样。

模型改进点1：为了加强算法对小目标检测的精确度，YOLO v3中采用类似FPN的upsample和融合做法（最后融合了3个scale，其他两个scale的大小分别是26×26和52×52），在多个scale的feature map上做检测。

三、output

​

预测头

backbone中一共有5次下采样，输出的3个预测头，分别在32倍降采样、16倍降采样、8倍降采样时进行预测，实现多尺度检测。

• y1：直接在32倍降采样特征图【13**13】上进行预测
• y2: 16倍降采样特征图【26*26】与 32倍降采样特征图上采样2倍【13*13】--->【26*26】的结果进行Concat拼接，在此结果上进行预测
• y3: 8倍降采样特征图【52*52】与 y2预测所用特征图上采样2倍【26 * 26 --> 52 * 52】Concat拼接，在此结果上进行预测

预测输出

怎么预测：针对每个预测特征层，最后都是同一个1 * 1的卷积层。当1 * 1的卷积核每滑动到一个预测特征图上的每一个cell时，会预测3个边界框（bounding box）的一些预测输出值。边界框的大小是由先验框（anchor box）的尺寸决定的。

3个特征图用的anchor大小是不一样的：

• 32倍降采样的感受野最大，适合检测大的目标，所以在输入为416×416时，每个cell的三个anchor box为(116 ,90); (156 ,198); (373 ,326)
• 16倍适合一般大小的物体，anchor box为(30,61); (62,45); (59,119)。
• 8倍的感受野最小，适合检测小目标，因此anchor box为(10,13); (16,30); (33,23)。

所以当输入为416×416时，实际总共有（52×52+26×26+13×13）×3=10647个proposal box，即【1, 10647, 85】;

预测输出内容：每个anchor的预测输出内容为（Xcenter, Ycenter, w, h, confidence，类别1概率，类别概率，..... ，类别80概率)。

一张图的实际输出会有10647个bounding box？

logistic回归：

对anchor包围的部分进行一个目标性评分(objectness score)，即这块位置是目标的可能性有多大。这一步是在predict之前进行的，可以去掉不必要anchor，可以减少计算量。

另外，还会从9个anchor priors中找到objectness score(目标存在可能性得分)最高的那一个。

所以一张图的实际输出bounding box数量应该少于10647。

 参考：

一文看懂YOLO v3_yolov3 build_targets_小小小绿叶的博客-CSDN博客