yolov3及其各种变形算法解析

           yolov3作为目前最为流行的one stage检测模型，从出现到现在衍生发展了太多版本，甚至到了去年性能更优的v4和v5都已经出来了，今天就此机会总结一下常见的v3变形算法。

• YOLOv3-tiny(YOLOv3的tiny版本)
• YOLOv3-SPP1(仅在第一个检测头前集成SPP模块)
• YOLOv3-SPP3(在三个检测头前都加入了SPP模块)
• SlimYOLOv3-SPP3-50(n=50, k=90, 迭代剪枝2次)
• SlimYOLOv3-SPP3-90(n=90, k=90)
• SlimYOLOv3-SPP3-95(n=95, k=90)

（1）yolov3网络结构图

 

backbone采用的是darknet53结构，用于提取输入目标特征。三个head部分输出分别为13*13*255，26*26*255，52*52*255，其间通过upsample进行链接以增加对小目标的检测能力。

 

（2）yolov3-tiny

 

 

YOLOv3-tiny 是YOLOv3的一种快速算法，但精度下降太多，初始多使用于移动端。

 

（3）yolov3-spp

 

YOLOv3-SPP1 是YOLOv3加上SPP模块的改进，其比原始YOLOv3精度要高，而YOLOv3-SPP3 是该文作者YOLOv3-SPP1的改进，其有3个SPP模块，比YOLOv3-SPP1精度更高。加入了空间金字塔池化，增加了模型提取的语义信息，通常加入的spp模块效果还是很不错的，Size设置接近feature map的时候效果更好

 

（4）slim-yolov3

YOLOv3经过稀疏训练，得到各通道的尺度因子，然后去除那些尺度因子小的通道，将剪枝得到的模型SlimYOLOv3在数据集上进一步微调，得到检测结果，然后进入下一轮的稀疏训练。以上剪枝过程是迭代重复的，直到满足一定的模型条件，比如模型剪枝率达到一定要求。

         在VisDrone2018-Det上进行了实验，结果如下：

可见在精度稍有下降的情况下，推断时间（Inference time）、参数量（Parameters）、内存占用（Volume）大幅减少，更适合在无人机部署。

 

参考链接：

1、https://blog.csdn.net/dd_pp_jj/article/details/108507720

2、https://blog.csdn.net/rocking_struggling/article/details/108550637

3、https://cloud.tencent.com/developer/article/1587989