YOLO-V3的一些细节

1. Abstract

YOLO的基本思想是通过多层CNN预测Bounding Box的中心（x,y）坐标及其长宽，当然也少不了类别信息，参考[1]。

YOLO-V3的结构/基本原理是什么样？有哪些重要的参数/概念？YOLO-V3的优点是什么？下文着重讲解。

2. YOLO-V3

2.1 模型结构

根据YOLO-V3原创paper[2]的内容，YOLO-V3使用了一个含有53个卷积层的CNN作为Feature Extraction。

由图中可见，这个CNN是由多组Conv+Conv+Residual的结构叠加而成的。其中Residual残差的原理见[3]。
YOLO-V3是用Darknet框架（轻量级的类似tensorflow的框架）实现的，所以这个网络也称为Darknet-53。根据作者的对比测试，该网络性能好于其他网络。

这里https://github.com/xiaochus/YOLOv3/blob/master/model/darknet53.py有一个该模型的实现代码可供参考。

2.2 多标签分类

为了实现多标签分类，模型不再使用softmax函数作为最终的分类器，而是使用logistic作为分类器，使用 binary cross-entropy作为损失函数。

2.3 多尺度预测

YOLO v3从三种不同尺度的特征图谱（不同卷积层的输出）上进行预测任务，一共进行了3次预测。详见[4]。

2.4 anchor

anchor的唯一作用就是为了计算IOU，从而来确定正负样本[6]。
yolov3-voc.cfg中这组anchor，anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326，由作者通过对VOC数据集进行KMEANS聚类得到的[7]。

3. 模型评价

作者在COCO数据集上对YOLO-V3进行了评价。

COCO is a large-scale object detection, segmentation, and captioning dataset.

在320×320的图像上，YOLO-V3运行速度达到了22.2毫秒。其与SSD一样准确，但速度快了三倍。

4. keras实现的YOLO-V3

YOLO-V3原作者是用Darknet框架（轻量级的类似tensorflow的框架）实现的，github上有keras的版本：https://github.com/qqwweee/keras-yolo3

5. 训练时间

[8]中给出了不同训练的实际，根据这些结果，用GPU估计也是2 weeks。

6. 参考

• [1] https://blog.csdn.net/ybdesire/article/details/81227424
• [2] https://pjreddie.com/media/files/papers/YOLOv3.pdf
• [3] https://blog.csdn.net/ybdesire/article/details/80232457
• [4] https://www.jianshu.com/p/3943be47fe84
• [5] http://cocodataset.org/#home
• [6] https://blog.csdn.net/u014540717/article/details/53522083
• [7] https://blog.csdn.net/cgt19910923/article/details/82154401?utm_source=blogxgwz4
• [8] https://github.com/pjreddie/darknet/issues/742