yoloV3的惊艳结果--比较yoloV2
【目标检测简史】进击的YOLOv3，目标检测网络的巅峰之作
YOLOv3的前世今生
2015年，R-CNN横空出世，目标检测DL世代大幕拉开。
各路豪杰快速迭代，陆续有了SPP，fast，faster版本，至R-FCN，速度与精度齐飞，区域推荐类网络大放异彩。
奈何，未达实时检测之基准，难获工业应用之青睐。
此时，凭速度之长，网格类检测异军突起，先有YOLO，继而SSD，更是摘实时检测之桂冠，与区域推荐类二分天下。然准确率却时遭世人诟病。
遂有JR一鼓作气，并coco，推v2，增加输出类别，成就9000。此后一年，作者隐遁江湖，逍遥twitter。偶获灵感，终推v3，横扫武林！
准确率不再是短板
自从YOLO诞生之日起，它就被贴上了两个标签，
1.速度很快。
2.不擅长检测小物体。
而后者，成为了很多人对它望而却步的原因。
由于原理上的限制，YOLO仅检测最后一层卷积输出层，小物体像素少，经过层层卷积，在这一层上的信息几乎体现不出来，导致难以识别。
YOLOv3在这部分提升明显。先看看小物体的识别。
YOLOv3的识别结果
直观地看下和YOLOv2的对比图如下。可以看出，对于小物体的识别，提高非常明显。
无论是传统的模式识别图像检测，还是基于CNN的视觉检测，对于紧凑密集或者高度重叠目标的检测通常是非常困难的。比如对合影的人群检测在YOLOv2上的结果：
而下面是v3的结果：
前方高能预警。。。。。。。。。。。。。。。。
一次检测到图中90%的人，还增加了tie（领带）这个新类别，非常惊艳！
再看看模型的泛化能力如何：
骷髅并不在训练数据集中，但是通过训练模型强大的泛化能力，自动将其归类到了人类。（也算是最为合理的近似处理了）
这在YOLOv2中是检测不到的。
那么，模型泛化能力很强的副作用，就是分类结果跑偏，比如下面这张coser的识别图，最左侧的人识别成了马：
训练和检测都很快
论文中做了详尽的对比。
和前辈们比，YOLO 的速度非常快，比 R-CNN 快 1000 倍，比 Fast R-CNN 快 100 倍。
和同辈们比，YOLOv3-608检测准确率比DSSD更高，接近FPN，但是检测时间却只用了后面两者的三分之一不到。
原因如论文中所说，它在测试时观察整张图像，预测会由图像中的全局上下文（global context）引导。它还通过单一网络评估做出预测，而不像 R-CNN 这种系统，一张图就需要成千上万次预测。
用了哪些黑科技？
- 多级预测：终于为yolo增加了top down 的多级预测，解决了yolo颗粒度粗，对小目标无力的问题。v2只有一个detection，v3一下变成了3个，分别是一个下采样的，feature map为13*13，还有2个上采样的eltwise sum，feature map为26*26，52*52，也就是说v3的416版本已经用到了52的feature map，而v2把多尺度考虑到训练的data采样上，最后也只是用到了13的feature map，这应该是对小目标影响最大的地方。在论文中从单层预测五种boundingbox变成每层3种boundongbox；
- loss不同：作者v3替换了v2的softmax loss 变成logistic loss，由于每个点所对应的bounding box少并且差异大，每个bounding与ground truth的matching策略变成了1对1。当预测的目标类别很复杂的时候，采用logistic regression进行分类是更有效的，比如在Open Images Dataset数据集进行分类。在这个数据集中，会有很多重叠的标签，比如女人、人，如果使用softmax则意味着每个候选框只对应着一个类别，但是实际上并不总是这样。复合标签的方法能对数据进行更好的建模。
- 加深网络： 采用简化的residual block 取代了原来 1×1 和 3×3的block; (其实就是加了一个shortcut，也是网络加深必然所要采取的手段)。这和上一点是有关系的，v2的darknet-19变成了v3的darknet-53，为啥呢？就是需要上采样啊，卷积层的数量自然就多了，另外作者还是用了一连串的3*3、1*1卷积，3*3的卷积增加channel，而1*1的卷积在于压缩3*3卷积后的特征表示。
- router：由于top down 的多级预测，进而改变了router（或者说concatenate）时的方式，将原来诡异的reorg改成了upsample
下一代YOLO长啥样？
- mAP会继续提高。随着模型训练越来越高效，神经网络层级的不断加深，信息抽象能力的不断提高，以及一些小的修修补补，未来的目标检测应用mAP会不断提升。
- 实时检测会成为标配。目前所谓的“实时”，工业界是不认可的。为什么呢，因为学术圈的人，验证模型都是建立在TitanX或者Tesla这类强大的独立显卡上，而实际的潜在应用场景中，例如无人机/扫地/服务机器人/视频监控等，是不会配备这些“重型装备”的。所以，在嵌入式设备中，如FPGA，轻量级CPU上，能达到的实时，才是货真价实的。
- 模型小型化成为重要分支。类似于tiny YOLO的模型分支会受到更多关注。模型的小型化是应用到嵌入式设备的重要前提。而物联网机器人无人机等领域还是以嵌入式设备为主的。模型剪枝/二值化/权值共享等手段会更广泛的使用。
说点题外话：
YOLO让人联想到龙珠里的沙鲁（cell），不断吸收同化对手，进化自己，提升战斗力：YOLOv1吸收了SSD的长处（加了 BN 层，扩大输入维度，使用了 Anchor，训练的时候数据增强），进化到了YOLOv2；
吸收DSSD和FPN的长处， 仿ResNet的Darknet-53，仿SqueezeNet的纵横交叉网络，又进化到YOLO第三形态。
但是，我相信这一定不是最终形态。。。让我们拭目以待吧！
论 文：https://pjreddie.com/media/files/papers/YOLOv3.pdf
翻 译：https://zhuanlan.zhihu.com/p/34945787
代 码：https://github.com/pjreddie/darknet
官 网： https://pjreddie.com/darknet/yolo
Youtube：https://www.youtube.com/watch?v=MPU2HistivI
旧 版：
https://pjreddie.com/darknet/yolov2/
https://pjreddie.com/darknet/yolov1/
----------------------2018.5.7后记分割线------------------------------
补上YOLOv3的视频检测的链接：
浩克匠心：【目标检测简史】YOLOv3的实景大片儿