最详细的YOLOv3论文笔记

个人博客：http://www.chenjianqu.com/

原文链接：http://www.chenjianqu.com/show-117.html

论文：YOLOv3: An Incremental Improvement.Joseph Redmon,Ali Farhadi.from 华盛顿大学

 

摘要

    本文对YOLO做了一些小改进，还提出了新的backbone：Darknet-53。比YOLOv2体量更大但是更加精确，而且仍然足够快。使用320x320分辨率，YOLOv3每帧处理时间为22ms，达到28.2mAP，这跟SSD一样精确但是速度是它的3倍。使用旧的0.5 IoU mAP检测指标时，YOLOv3非常好。在Titan X上可以51ms达到57.9 AP50，与之相比，RetinaNet以198ms达到57.5 AP50，比YOLOv3慢3.8倍以上。

    代码开源：https://pjreddie.com/yolo/

 

The Deal

    YOLOv3与其它模型的比较：

Bounding Box Prediction

    与YOLO9000一样，YOLOv3使用dimension cluster设置先验框(anchor boxes)。网络对每个先验框预测4个坐标偏置值：tx,ty,tw,th。如果该先验框的左上角坐标为(cx,cy)，该先验框的宽高是pw,ph，则预测的包围框的左上角坐标和长宽为：

     图示如下：   

    训练时，使用误差平方和损失。若预测的坐标是t*，gt(由gt包围框转换而来)是t^*，则梯度为t^*-t*。YOLOv3使用logistic回归预测每个包围框的置信度。如果当前预测的包围框比之前其他的任何包围框更好的与gt对象重合，那它的置信度就是 1。如果当前预测的包围框不是最好的，但它和 gt 对象重合了一定的阈值以上，神经网络会忽略这个预测。这里使用的阈值是 0.5。只为每个gt对象分配一个包围框。如果当前的包围框未分配给相应的gt目标，那它仅仅是检测错了目标，不会对坐标或分类预测造成影响。

分类预测

    每个包围框使用多标签分类预测包含的目标类别。这里没有使用softmax，而是简单的使用独立的logistic分类器。训练时使用的损失函数是二元交叉熵损失。

    使用这个方法有助于将YOLO应用到更复杂领域，比如Open Image Dataset。在这个数据集中，可能有很多重叠的标签，比如女人和人。Softmax会会强加一个假设，使得每个框只包含一个类别。而多标签方法能更好的建模这种数据。

跨尺度预测

    YOLOv3在3个不同尺度预测包围框。与FPN类似，这里从不同的尺度抽取特征并进行预测。每个尺度的特征图的每个位置预测3个包围框，输出张量的维度是N*N*[3*(4+1+80)]，即4个包围框坐标值，包围框置信度和80个分类预测。具体的网络结构请看后面给出的结构图。

    和YOLOv2一样，使用 k-means 聚类来确定先验框的。这里设置3 个尺度 ，共9 个聚类，分别是：(10×13)、(16×30)、(33×23)、(30×61)、(62×45)、(59×119)、(116×90)、(156×198)、(373×326) 。

 

特征提取器

    这里提出一个新的backbone网络，基于Darknet-19和残差网络，使用连续的3x3和1x1卷积和短路连接实现。该网络有53层，故称为Darknet-53。其网络详细情况如下：

    整个backbone里没有池化层和全连接层，前向传播过程中，张量的尺寸变换是通过改变卷积核的步长来实现。 Darknet-53比Darknet-19更精确，比ResNet更加快，下面是各个Backbone网络的比较结果：

    上表中各网络使用相同的配置训练，测试分辨率为256x256，单个模型的精度。测试时间使用256x256在Titan X上运行。从表中可以看到，Darknet-53是最精确的分类模型之一，但是它仅需很少的计算量。Darknet-53在BFLOP/s (floating point operations per second)中的评分最高，这表明它最能充分利用GPU。这主要是因为ResNet有太多的层，效率不高。

YOLOv3的网络结构

    [图源]

转存失败重新上传取消

    最后输出3个张量，这就是前面的提到的跨尺度预测，输出三个尺度的预测结果。每个位置的预测的维度是255，这里像YOLOv2一样，每个位置预测3个包围框，每个包围框预测5个值(tx,ty,tw,th,to)，to是该包围框的置信度，而且这里预测80个类别，因此255=3*(5+80)。

 

 

How We Do

    下表是YOLO与当前SOTA目标检测模型的比较：

    从AP指标，可以看到YOLOv3的精度比得上SSD和DSSD，但是比他们都快3x，但是落后于RetinaNet等最顶级的模型。

    但是看AP50可知，YOLOv3几乎达到了SOTA。这表明YOLOv3更擅长检测decent目标，而难以将包围框与目标进行对齐。

    从表中还可以看到，YOLOv3检测小目标的能力相对于YOLOv2大幅提升，而且优于SSD和DSSD。

 

Things We Tried That Didn’t Work

    作者曾经尝试过一些stuff，但是没work。

    Anchor box x, y offset predictions. 尝试使用先验框+预测偏置的方式，发现它降低了模型的稳定性，并且效果不好。

    Linear x, y predictions instead of logistic. 尝试使用线性激活来直接预测x、y偏置，而不使用logistic激活。但这导致下降了几点mAP。

    Focal loss. 尝试使用Focal loss，但它使得mAP下降了2个百分点。YOLOv3可能已经对focal loss试图解决的问题很健壮了，因为它有单独的对象预测和条件类预测。

    Dual IOU thresholds and truth assignment.Faster R-CNN在训练时使用两个IoU阈值，若预测的包围框与gt的IoU大于0.7,则作为正例；若IoU在[0.3-0.7]则忽视这个IoU；若IoU<0.3则作为负例。这里尝试了这个策略，但没有什么效果。

 

What This All Means

    YOLOv3使用AP50时，接近SOTA：

    接着作者表达了对计算机视觉的应用的担心(比如获取个人信息，帮助军方等)，所以他2020年退出CV界了。个人不太喜欢Joseph Redmon，太白左了。