1.簡介
通過文章目標檢測 | 讓YOLOv1算法告訴你迴歸網絡的能力和目標檢測 | 讓YOLOv2告訴你Trick的力量講述了YOLO算法的原理和部分改進策略。YOLO系列算法在剛被提出時其目的在於提升檢測網絡的速度，因此其算法的召回率和檢測率相對於Faster RCNN系列算法會要低一些。作者爲了提升YOLO算法的實用性，提出了YOLOv2，在不損失速度的情況下提升了網絡精度。但從下圖的左圖中我們可以發現，在輸入同等級分辨率圖片的情況下，YOLOv2的精度是沒有SSD系列算法好的。而YOLOv3的提出，徹底穩固了YOLO系列算法的地位，因爲如下圖右圖所示YOLOv3使得YOLO系列算法的性能超越了SSD系列。因此本文就從原理上來簡單闡述下YOLOv3算法的主要改進點，後續會針對YOLOv3算法解析darknet框架下的訓練源碼。
2.改進點
1.box是否含有物體改進
利用logistic迴歸計算每個bounding box是否含有物體（二分類：有或者沒有）。在該過程中，之前的YOLOv2算法是看ground truth的位置中心座標在哪，來判定當前bounding box是否含有物體。而在YOLOv3中將與ground truth的IOU最大的那個bounding box認爲是包含該物體，因此YOLOv3的特點是每個ground truth都僅僅分配一個bounding box。對於那些沒有被分配的bounding box，網絡計算損失時，僅僅計算是否包含物體損失，不計算座標和類概率損失。
2.類概率預測改進
對於類概率預測，在YOLOv2中是直接利用softmax進行類概率預測。而在YOLOv3中對於每一個類，使用獨立的logistic分類器，使用交叉熵損失計算類概率損失。用這種策略的原因是，考慮到在利用softmax分類時，需要把所有的類別獨立開來（one hot編碼的特點），但是一旦遇到如（女人 ，人）這種包含類別時，用softmax就不是那麼合適了。因此才引入logistic分類器結合多標籤，來處理此類問題。
3.多尺度檢測策略改進
YOLOv3的多尺度策略在三個不同的尺度作detection。
v2只有一個detection，v3一下變成了3個，在3個不同尺度的feature map上進行detection。在輸入爲416的情況下這三個特徵圖的尺度爲13*13，26*26，52*52，這應該是對小目標影響最大的地方。
如下圖所示，在輸入爲640*352的情況下，三個不同尺度的detection位置和特徵圖大小（分辨率搞成寬高不一樣，感覺更直觀一點）。
70 conv 27 1*1/1 20*11*256 -> 20*11*27
71 detection
72 route 29
73 conv 256 3*3/2 80*44*128 -> 40*22*256
74 route 73 48
75 conv 256 1*1/1 40*22*512 -> 40*22*256
76 conv 256 3*3/1 40*22*512 -> 40*22*256
77 conv 256 1*1/1 40*22*512 -> 40*22*256
78 conv 27 1*1/1 40*22*512 -> 40*22*27
79 detection
80 route 10
81 conv 128 3*3/2 160*88*64 -> 80*44*128
82 route 81 29
83 conv 256 1*1/1 80*44*256 -> 80*44*256
84 conv 256 3*3/1 80*44*256 -> 80*44*256
85 conv 256 1*1/1 80*44*256 -> 80*44*256
86 conv 27 1*1/1 80*44*256 -> 80*44*27
87 detection
3.YOLOv3的網絡框架圖
如下圖所示，左邊虛線框就是YOLOv3網絡的特徵提取模塊的示意圖，以416分辨率的圖像作爲輸入，根據網絡的深入，會產生3中不同尺度的特徵圖（52,26,13），YOLOv3在這三個尺度上進行不同尺度的目標檢測。
如上圖的框架所示，我們發現整個網絡中用到了上採樣操作，這其實是一種相對比較耗時，而且性價比不高的手段，因此在我用YOLOv3網絡時做了一點小改動，在不損失網絡精度和網絡思想的前提下去掉網絡的上採樣過程。思路就如下圖所示，通過stride爲2的卷積實現下采樣，最終也能實現三個尺度的detection，而且可以不用到上採樣操作。
本文簡單介紹了一下YOLOv3的策略，後續會更新一些YOLOv3的源碼解讀，歡迎持續關注~