YOLO V3 的一些学习记录

• 网络Darknet-53 network 
• 注意：原Darknet53中的尺寸是在图片分类训练集上训练的，所以输入的图像尺寸是256x256
• https://blog.csdn.net/leonardohaig/article/details/90346325
• https://blog.csdn.net/dz4543/article/details/90049377
• https://blog.csdn.net/leonardohaig/article/details/90346325

整个网络主要是由一系列的1x1和3x3的卷积层组成（每个卷积层后都会跟一个BN层和一个LeakyReLU)层，作者说因为网络中有53个convolutional layers，所以叫做Darknet-53。下图就是Darknet-53的结构图，在其中标注了一些信息方便理解。（卷积的strides默认为（1，1），padding默认为same，当strides为（2，2）时padding为valid）

注：

不同的padding方式,VALID是采用丢弃的方式,比如input_width=13,只允许滑动2次,多余的元素全部丢掉 SAME的方式,采用的是补全的方式,对于上述的情况,允许滑动3次,但是需要补3个元素,左奇右偶,在左边补一个0,右边补2个0；

SAME 向上取整
VALID　向下取整

 

1、特点

（1）全部使用卷积结构。使用1x1和3x3的卷积以及残差块组成的

（2）原论文中提到的输入大小为320*320,416*416,608*608。这个大小必须是32的整数倍数。

（3）多尺度训练和输出：13*13，26*26，52*52分别用来检测大中小目标。

（4）yolo_v3有5次下采样 （池化层），每次采样步长为2，所以网络的最大步幅（步幅指层的输入大小除以输出）为2^5=32。

（5）Anchor box的确定 ，这个先验框不同于之前Faster-Rcnn和SSD那样人工设定，在yolo v2和yolo v3中，都采用了对图像中的object采用k-means聚类。这个先验框的聚类与输入图像大小有关，作者配置文件中用的是416*416的输入

（6）损失函数。在v3的论文里没有明确提所用的损失函数，确切地说，yolo系列论文里面只有yolo v1明确提了损失函数的公式。对于yolo这样一种讨喜的目标检测算法，就连损失函数都非常讨喜。在v1中使用了一种叫sum-square error的损失计算方法，就是简单的差方相加而已。想详细了解的可以看我关于v1解释的博文。我们知道，在目标检测任务里，有几个关键信息是需要确定的:(x,y),(w,h),class,confidence。yolov3 除了w, h的损失函数依然采用总方误差之外，其他部分的损失函数用的是二值交叉熵。最后加到一起。那么这个binary_crossentropy又是个什么玩意儿呢？就是一个最简单的交叉熵而已，一般用于二分类，这里的两种二分类类别可以理解为"对和不对"这两种。

 

网络中作者进行了三次检测，分别是在32倍降采样(2^5)，16倍降采样(2^4)，8倍降采样(2^3)时进行检测,这样在多尺度的feature map上检测跟SSD有点像。在网络中使用up-sample（上采样）的原因:网络越深的特征表达效果越好，比如在进行16倍降采样检测，如果直接使用第四次下采样的特征来检测，这样就使用了浅层特征，这样效果一般并不好。如果想使用32倍降采样后的特征，但深层特征的大小太小，因此yolo_v3使用了步长为2的up-sample（上采样），把32倍降采样得到的feature map的大小提升一倍，也就成了16倍降采样。同理8倍采样也是对16倍降采样的特征进行步长为2的上采样，这样就可以使用深层特征进行detection。

Yolo v3通过上采样的方式很好的使16倍降采样和8倍降采样使用深层特征，但进行4次下采样和3次下采样得到的浅层feature map大小是一样的。Yolo_v3想把这些浅层特征也利用起来，就有了route层。把16倍降采样得到的feature map和四次下采样得到的层拼接在一起，在channel那个维度进行拼接。这样拼接的好处：让网络同时学习深层和浅层特征，表达效果更好。8倍降采样同样也是这样的操作，把三次下采样的feature map拼接在一起。

feature map中的每一个cell都会预测3个边界框（bounding box） ，每个bounding box每个box需要有(x, y, w, h, confidence)五个基本参数，然后还要有N个类别的概率,coco数据集80类目标，voc20类目标。因此对于coco数据集，在网络输入为416*416时，网络的输出大小为13*13（3*（4+1+80））=43095

 

2、网络结构图如下：

残差单元：