yolo系列详解--yolov1、yolov2、yolov3

1.yolo：You Only Look Once: Unified, Real-Time Object Detection

论文地址：https://arxiv.org/pdf/1506.02640.pdf

处理流程：输入图片需要缩放到448*448，最后生成一个维度为7*7*30的tensor。

优势：因为是一阶段的网络，故而运行速度快。

论文的整体框架如下：

 

 

 对于最后的7*7*30的tensor的意义如下：

将448*448的图片分割成S*S的网格，每个网格都预测2个bounding boxes(如果物体的重心落在bounding box中，那么此bounding box负责检测物体)。

等式：7*7*30=SxSx(B*5+C)   其中S=7，B=2，C=20(PASCAL VOC),5是指一个置信度和四个坐标值。

每个bounding box包含四个坐标值(Center_x,Center_y,width,height)和一个置信度(该bounding box内存在对象的概率 * 该bounding box与该对象实际bounding box的IOU)

 

 

 其中Pr(Object)={0,1}，如果不存在物体，则为0，否则为1。

IOU=交集部分面积/并集部分面积。

 

 

 

 具体维度30各值所代表的意义：

 

 

 

 

2.YOLO9000: Better, Faster, Stronger

论文地址：https://arxiv.org/pdf/1612.08242.pdf

处理流程：两阶段训练网络，先classification，后detention。

　　　　classification：先用224*224的图片预训练Darknet-19，而后再用448*448的图片微调网络Darknet-19。

　　　　detention：每隔10个batches，换一种输入维度{320,352...,680},而后对darknet-19做如下处理

　　　　　　　　移除最后一个卷积层、avgpooling层以及softmax层，并且新增了三个3*3*1024卷积层，同时增加了一个passthrough层，passthrough
　　　　　　　　对最后一个池化层的输入做变化，将26*26*512变为13*13*2048做处理，而后与最后一层的13*13*1024拼接在一起，变为13*13*3072。最后通过1*1卷积核
　　　　　　　　变为13*13*125。

优势：

1.通过聚类的方式找到每个特征点有5个anchor
2.没使用全连接
3.平滑处理

 

Darknet-19

最后的13*13*125的解释：

 125=num_anchors *(4+1+num_classes) ，其中 num_anchors=5，num_classes=20(VOC)。

 

 

 

passthrough是为了检测图片中的小物体， passthrough层操作方式：

 

 

 

平滑处理：对坐标值加入exp(x)

 

3.YOLOv3: An Incremental Improvement

论文地址：https://arxiv.org/pdf/1804.02767.pdf

处理流程：先通过Darknet-53处理得到13*13*3*85的特征，而后再上采样，分别得到26*26*3*85和 52*52*3*85.

优势

1.detention网络引入残差
2.在不同的特征图上做处理
3.没用pooling，没用全连接

 

 

 

Darknet-53

 

 

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）。