【yolov3模型】

yolov3论文地址：https://arxiv.org/abs/1804.02767
yolov3代码地址pytorch：https://github.com/ultralytics/yolov3

一、模型简介

  yolov3模型相对于yolov2做了一些改进，主要包括以下几个方面：

• 特征提取的backbone使用了效果更好的Darknet-53。与Darknet-19相比，该网络增加了更多连续的3x3和1 x1卷积层，同时引入了残差连接Residual，使得网络更有效。
• 网络输出三个不同尺寸大小的结果，使得网络预测结果能够融合更细粒度的特征，提升效果。

二、模型结构

  yolov3的模型结构如上图所示，使用Darknet-53网络进行特征提取，该网络进行了一系列的3x3和1x1卷积，同时也使用了残差连接。在接下来的网络结构中，做了更多的层间融合，深层网络进行上采样与浅层特征网络相互融合，使得预测结果能充分融合细粒度的特征，最终输出三个不同尺寸的预测结果。

三、模型损失函数

  yolo系列模型的损失函数原理上都是一样的，yolov3的损失函数同样划分为三个部分

• 定位误差 $lbox$ 计算预测框与真实框xywh均方误差
• 分类误差 $lcls$
• 置信度误差 $lconf$
• $loss=lbox+lcls+lconf$

1. 定位误差

  在计算定位误差时，模型预测值($t_x,t_y,t_w,t_h$)并不直接代表物体位置参数，需要转换到为($b_x,b_y,b_w,b_h$)，即下图中蓝色框，黑色虚线框表示对应的锚框。该处是沿用了yolov2的处理方式，对真实预测值($t_x,t_y$)取sigmoid是为了将预测位置点限制在所属网格内。

  $lbox={\lambda }_{coord}\sum _{i=0}^{S^2}\sum _{j=0}^B{\mathrm{I}}_{ij}^{obj}(2-w_i\times h_i)[(x_i-{\hat{x}}_i^j{)}^2+(y_i-{\hat{y}}_i^j{)}^2+(w_i-{\hat{w}}_i^j{)}^2+(h_i-{\hat{h}}_i^j{)}^2]$
  定位误差公式如上，$(2-w_i\times h_i)$是为了平衡大小物体的误差，其余则是计算预测框与真实框的均方误差。

2. 分类误差

 在yolov3中，作者使用bceloss计算分类误差，而没有沿用均方误差。原因主要是训练数据集是多标签的，在激活函数使用了logistic函数，没有使用softmax(适用于类别间互斥)，从而计算损失函数使用bceloss更适合。bceloss虽然是二分类损失函数，但是针对每个单独的物体类，都可以用一个二分类损失函数来计算。
  $lcls=-{\lambda }_{class}\sum _{i=0}^{S^2}\sum _{j=0}^B{\mathrm{I}}_{ij}^{obj}\sum _{cϵclasses}[({\hat{P}}_i^{j}log(P_i^j)+(1-{\hat{P}}_i^j)log(1-P_i^j))]$

3. 置信度误差

 置信度误差同样采用了bceloss来计算，置信度部分的误差要计算两部分，包含物体的预测框置信度要与真实置信度接近，不包含物体的预测框置信度要接近0。
$lconf=-\sum _{i=0}^{S^2}\sum _{j=0}^B({\lambda }_{obj}{\mathrm{I}}_{ij}^{obj}+{\lambda }_{noobj}{\mathrm{I}}_{ij}^{noobj})[({\hat{C}}_i^{j}log(C_i^j)+(1-{\hat{C}}_i^j)log(1-C_i^j))]$