2021SC@SDUSC
目录
前言
为了更好的理解yolov5的代码,我在代码解析的中间穿插进其他系列的yolo,此篇介绍yolov3。
yolov3论文地址https://pjreddie.com/media/files/papers/YOLOv3.pdf
The Deal
yolov3借鉴了许多其他方法,并且训练了一个更好的分类器。
Bounding Box Prediction
和yolov2一样,yolov3用dimension clusters来作为anchor boxes,对每个box,网络会预测四个值,t_x,t_y,t_w,t_h,左上角的坐标为(c_x,c_y),先验框的宽和高为(p_w,p_h),那么预测框的位置的宽高为:
训练中用平方和作为损失,设GT为t_*,预测值为t,那么梯度就是t_* - t。
yolov3用logistic回归来预测每个bbox的置信度,当当前的bbox覆盖GT的部分比其它bbox都要多,那么值为1,如果不是最好的但是超过了设定的阈值,直接忽略,这里阈值设置为0.5。
Class Prediction
每个box预测出bbox可能包含的多类别标签,yolov3不使用softmax而是直接用logistic分类器,训练中用交叉熵作为损失函数。
当使用softmax代表着限制了每个bbox只能有一个标签,而事实是一个人可能即是woman也是person。
Predictions Across Scales
yolov3预测三个不同尺度的box,类似于金字塔的概念,抽取图像的特征。在base特征抽取网络后面添加了一些卷积层,最后的网络用来预测bbox,类别标签和置信度。在COCO数据集中,作者在每个尺度上预测了3个box,张量的维度就是N*N*[3*(4+1+80)],4是box的offsets,1是置信度,80个类别。
接下来作者从前面两层的网络上采样两倍,并将其与早期的网络相融合来获得更多语义信息,然后增加几层卷积层来处理这些结合的信息,最终预测出一个相似的张量。
第三个尺度执行同样的操作,第三个尺度受益于前面所有的计算以及网络早期的细粒度特征。
yolov3依旧选择k-means聚类来决定先验bbox,yolov3选择9个簇和3个尺度,并在各个尺度上均匀划分集群。在COCO数据集上9个簇分别为(10*13),(16*30),(33*23),(30*61),(62*45),(59*119),(116*90),(156*198),(373*326)。
Feature Extractor
YOLO3v3用了一个新的网络来进行特征抽取,Darnet-53,是从yolov2,daeknet-19和残差网络之间的混合方法,结构如图
这个网络比Darknet-19更好,并且比ResNet-101和ResNet-152效率更好。下面是在ImageNet上的结果
Training
作者在没有使用hard negative mining或其他情况对全部数据进行训练,使用了大量的数据增强、BN。使用Darknet网络来训练和测试。
结果
总结
yolov3使用了Darknet-53作为backbone,并且在3个不同尺度上进行预测,最终达到了更好的结果。