YOLOv3之一些细节

yolov3里有很多细节需要注意，下面就把那里面的一些细节总结一下。

1. YOLOv3的先验边框

先验边框，也可以叫建议框，锚框(anchorbox)，是对coco数据集的真实框KMEANS聚类获得，对目标物体的真实框具有代表性。在yolov3中，3个不同深度的网络输出52*52，26*26，13*13这三种不同尺寸的特征图，一共9个建议框，将这9个建议框分为3组，每组建议框和每种特征图一一对应。这里借鉴了SSD网络的思想：不同深度网络检测不同大小的物体。52*52的特征图大，感受野小，因此对小物体更敏感。13*13特征图小，感受野大，因此对大物体更敏感。

"anchor box是对coco数据集聚类获得"
ANCHORS_GROUP_KMEANS = {
    52: [[10, 13],  [16, 30],  [33, 23]],
    26: [[30, 61],  [62, 45],  [59, 119]],
    13: [[116, 90],  [156, 198],  [373, 326]]}
    

2. 网络的输出

YOLOv3会为每个边界框预测4个值：tx、ty、tw和th，目标中心的所在网格与图像左上角的偏移是（cx, cy），它对应的建议框的宽和高为pw、ph。那么预测值将会由以下式子给出：


以原图大小为416*416的网络为例，若特征图大小为13*13，则将原图划分为13*13个正方形网格，每个网格边长为32。每个网格与特征图上的点一一对应，因此，可以通过特征图上点的索引得到每个网格在原图上的位置，特征图索引*32就是cx和cy。
$\sigma (t_x)$就是中心点相对网格左上角的偏移率，其中$t_x$是网络的输出，经过sigmoid压缩到（0-1）之间。$b_x=\sigma (t_x)\ast 32+c_x\ast 32$，32为对应的每个网格的像素，如果特征图为26*26，则每个网格边长16像素，如果特征图为52*52，每个网格边长8像素。训练时可采用损失MSELoss()，而非BCEWithLogits()，即直接输出，不用sigmoid激活，这样效果更佳。
$b_w$是目标框的宽， $p_w$是建议框的宽，$e^{t_w}$ 就是目标框的宽相对于建议框宽的偏移率，而网络输出的$t_w$实际上是偏移率的对数。因此，在做标签的时候，就需要求出真实框相对于建议框的偏移率并取对数，以对数值作为标签。

3. YOLOv3中计算iou的方式

计算iou有很多种方式，比如小框比大框，交集比小框，交集比并集等。
在做标签时，采用小框比大框的方式。这是因为目标框和建议框同中心点，因此采用小框比大框比较合适。
在侦测时，采用交集比最小框的方式，这是因为侦测时各个预测框比较容易出现大框套小框的情况，因此采用交集比并集。

4.分类方法

采用多标签分类方法，而不是多分类，因此，不再使用softmax，而使用sigmoid+二分类交叉熵，pytorch中用BCEWithLogits()函数。

每个框都会使用多标签分类来预测边框中可能包含的类。我们不再使用softmax，因为我们发现它无助于提升模型的性能，取而代之的是单独的逻辑分类器。在训练过程中，我们用二元交叉熵损失来评价类别预测。
当我们把YOLOv3用在更复杂的数据集时，比如Open Images数据集[7]，上述操作就会有很大的帮助。Open Images中包含了大量重叠的标签（如女性和人），如果使用softmax，它会强加一个假设，即每个框只有一个类别，然而事实常常不是如此。相比之下，多标签分类方法能更好地拟合这些数据。

5.网络结构

YOLOv3中变动最大的就是网络模型（darknet53）
网络结构

附上链接：
论文地址：YOLOv3: An Incremental Improvement
翻译：YOLOv3论文全文完整理解翻译