YOLO v3 详解

YOLO v3 详解

• • 一、核心思想
  • 二、Darknet-53
  • 三、网络结构
  • 四、9 种尺度先验框
  • 五、输入与输出
  • 六、检测效果

YOLOv3: An Incremental Improvement

论文链接

  YOLO v3 是目前工业界用的非常多的目标检测的算法。YOLO v3 没有太多的创新，主要是借鉴一些好的方案融合到 YOLO v2 里面。不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。
  YOLO v3 主要的改进有： （1）调整了网络结构；（2）利用多尺度特征进行对象检测；（3）对象分类用 Logistic 取代了 softmax。

一、核心思想

图 1：多种尺度网格

  YOLO v3 的核心思想就是用 3 种不同的网格来划分原始图像。其中 13 * 13 的网格划分的每一块最大，用于预测大物体。26 * 26 的网格划分的每一块中等大小，用于预测中等物体。52 * 52 的网格划分的每一块最小，用于预测小物体。

二、Darknet-53

图 2：Darknet-53 网络结构

  YOLO v3 的 backbone 采用了自己设计的 Darknet-53 的网络结构（含有53个卷积层），它借鉴了残差网络 residual network 的做法，在一些层之间设置了快捷链路（shortcut connections）。

  上图的 Darknet-53 网络采用 256 * 256 * 3 作为输入，最左侧那一列的 1、2、8 等数字表示多少个重复的残差组件。每个残差组件有两个卷积层和一个快捷链路，示意图如下：

图 3：残差组件

三、网络结构

图 4：YOLO v3 网络结构

  YOLO v2 曾采用 passthrough 结构来检测细粒度特征，在 YOLO v3 更进一步采用了 3 个不同尺度的特征图来进行对象检测。

  结合上图看，卷积网络在 79 层后，经过下方几个黄色的卷积层得到一种尺度的检测结果。相比输入图像，这里用于检测的特征图有 32 倍的下采样。比如输入是 416 * 416 的话，这里的特征图就是 13 * 13 了。由于下采样倍数高，这里特征图的感受野比较大，因此适合检测图像中尺寸比较大的对象。

  为了实现细粒度的检测，第 79 层的特征图又开始作上采样（从 79 层往右开始上采样卷积），然后与第 61 层特征图融合（Concatenation），这样得到第 91 层较细粒度的特征图，同样经过几个卷积层后得到相对输入图像 16 倍下采样的特征图。它具有中等尺度的感受野，适合检测中等尺度的对象。

  最后，第 91 层特征图再次上采样，并与第 36 层特征图融合（Concatenation），最后得到相对输入图像 8 倍下采样的特征图。它的感受野最小，适合检测小尺寸的对象。

四、9 种尺度先验框

  随着输出的特征图的数量和尺度的变化，先验框的尺寸也需要相应的调整。YOLO v2 已经开始采用 K-means 聚类得到先验框的尺寸，YOLO v3 延续了这种方法，为每种下采样尺度设定 3 种先验框，总共聚类出 9 种尺寸的先验框。在 COCO 数据集这 9 个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。

  分配上，在最小的 13 * 13 特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的 26 * 26 特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的 52 * 52 特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。

图 5：feature map 和先验框大小的对应关系

  我们可以通过下面的图片来感受一下先验框的大小和 feature map 大小的关系。其中蓝色框为聚类得到的先验框。黄色框式 ground truth，红框是对象中心点所在的网格。

图 6：9 种先验框

五、输入与输出

图 7：网络的输入与输出

  不考虑神经网络结构细节的话，总的来说，对于一个输入图像，YOLO v3 将其映射到 3 个尺度的输出张量，代表图像各个位置存在各种对象的概率。

  我们看一下 YOLO v3 共进行了多少个预测。对于一个 416 * 416 的输入图像，在每个尺度的特征图的每个网格设置 3 个先验框，总共有 13 * 13 * 3 + 26 * 26 * 3 + 52 * 52 * 3 = 10647 个预测。每一个预测是一个 (4 + 1 + 80) = 85 维向量，这个 85 维向量包含边框坐标（4 个数值），边框置信度（1 个数值），对象类别的概率（对于 COCO 数据集，有 80 种对象）。

  对比一下，YOLO v2 采用 13 * 13 * 5 = 845 个预测，YOLO v3 的尝试预测边框数量增加了 10 多倍，而且是在不同分辨率上进行，所以 mAP 以及对小物体的检测效果有一定的提升。

六、检测效果

  如果采用 COCO mAP-50 做评估指标（不是太介意预测框的准确性的话），YOLO v3 的表现相当惊人，如下图所示，在精确度相当的情况下，YOLO v3 的速度是其它模型的 3、4 倍。

  不过如果要求更精准的预测边框，采用 COCO AP 做评估标准的话，YOLO v3 在精确率上的表现就弱了一些。如下图所示。

参考链接：
.02767.pdf

=search&seid=14806288659754867060

YOLO v3 详解

YOLO v3 详解

• • 一、核心思想
  • 二、Darknet-53
  • 三、网络结构
  • 四、9 种尺度先验框
  • 五、输入与输出
  • 六、检测效果

YOLOv3: An Incremental Improvement

论文链接

  YOLO v3 是目前工业界用的非常多的目标检测的算法。YOLO v3 没有太多的创新，主要是借鉴一些好的方案融合到 YOLO v2 里面。不过效果还是不错的，在保持速度优势的前提下，提升了预测精度，尤其是加强了对小物体的识别能力。
  YOLO v3 主要的改进有： （1）调整了网络结构；（2）利用多尺度特征进行对象检测；（3）对象分类用 Logistic 取代了 softmax。

一、核心思想

图 1：多种尺度网格

  YOLO v3 的核心思想就是用 3 种不同的网格来划分原始图像。其中 13 * 13 的网格划分的每一块最大，用于预测大物体。26 * 26 的网格划分的每一块中等大小，用于预测中等物体。52 * 52 的网格划分的每一块最小，用于预测小物体。

二、Darknet-53

图 2：Darknet-53 网络结构

  YOLO v3 的 backbone 采用了自己设计的 Darknet-53 的网络结构（含有53个卷积层），它借鉴了残差网络 residual network 的做法，在一些层之间设置了快捷链路（shortcut connections）。

  上图的 Darknet-53 网络采用 256 * 256 * 3 作为输入，最左侧那一列的 1、2、8 等数字表示多少个重复的残差组件。每个残差组件有两个卷积层和一个快捷链路，示意图如下：

图 3：残差组件

三、网络结构

图 4：YOLO v3 网络结构

  YOLO v2 曾采用 passthrough 结构来检测细粒度特征，在 YOLO v3 更进一步采用了 3 个不同尺度的特征图来进行对象检测。

  结合上图看，卷积网络在 79 层后，经过下方几个黄色的卷积层得到一种尺度的检测结果。相比输入图像，这里用于检测的特征图有 32 倍的下采样。比如输入是 416 * 416 的话，这里的特征图就是 13 * 13 了。由于下采样倍数高，这里特征图的感受野比较大，因此适合检测图像中尺寸比较大的对象。

  为了实现细粒度的检测，第 79 层的特征图又开始作上采样（从 79 层往右开始上采样卷积），然后与第 61 层特征图融合（Concatenation），这样得到第 91 层较细粒度的特征图，同样经过几个卷积层后得到相对输入图像 16 倍下采样的特征图。它具有中等尺度的感受野，适合检测中等尺度的对象。

  最后，第 91 层特征图再次上采样，并与第 36 层特征图融合（Concatenation），最后得到相对输入图像 8 倍下采样的特征图。它的感受野最小，适合检测小尺寸的对象。

四、9 种尺度先验框

  随着输出的特征图的数量和尺度的变化，先验框的尺寸也需要相应的调整。YOLO v2 已经开始采用 K-means 聚类得到先验框的尺寸，YOLO v3 延续了这种方法，为每种下采样尺度设定 3 种先验框，总共聚类出 9 种尺寸的先验框。在 COCO 数据集这 9 个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。

  分配上，在最小的 13 * 13 特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的 26 * 26 特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的 52 * 52 特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。

图 5：feature map 和先验框大小的对应关系

  我们可以通过下面的图片来感受一下先验框的大小和 feature map 大小的关系。其中蓝色框为聚类得到的先验框。黄色框式 ground truth，红框是对象中心点所在的网格。

图 6：9 种先验框

五、输入与输出

图 7：网络的输入与输出

  不考虑神经网络结构细节的话，总的来说，对于一个输入图像，YOLO v3 将其映射到 3 个尺度的输出张量，代表图像各个位置存在各种对象的概率。

  我们看一下 YOLO v3 共进行了多少个预测。对于一个 416 * 416 的输入图像，在每个尺度的特征图的每个网格设置 3 个先验框，总共有 13 * 13 * 3 + 26 * 26 * 3 + 52 * 52 * 3 = 10647 个预测。每一个预测是一个 (4 + 1 + 80) = 85 维向量，这个 85 维向量包含边框坐标（4 个数值），边框置信度（1 个数值），对象类别的概率（对于 COCO 数据集，有 80 种对象）。

  对比一下，YOLO v2 采用 13 * 13 * 5 = 845 个预测，YOLO v3 的尝试预测边框数量增加了 10 多倍，而且是在不同分辨率上进行，所以 mAP 以及对小物体的检测效果有一定的提升。

六、检测效果

  如果采用 COCO mAP-50 做评估指标（不是太介意预测框的准确性的话），YOLO v3 的表现相当惊人，如下图所示，在精确度相当的情况下，YOLO v3 的速度是其它模型的 3、4 倍。

  不过如果要求更精准的预测边框，采用 COCO AP 做评估标准的话，YOLO v3 在精确率上的表现就弱了一些。如下图所示。

参考链接：
.02767.pdf

=search&seid=14806288659754867060