YOLO系列算法原理讲解----（3）Yolov3算法

YOLOV3介绍

• 速度和精度均衡的目标检测网络
• 融合多种先进方法，改进YOLOV1/V2缺点，且效果更优
  • 小物体检测

YOLOV3改进策略：

• 更好的主干网络（类ResNet）
• 多尺度预测（类FPN）
• 更好的分类器
  具体如下：
  YOLOV3改进策略：
  - 更好的主干网络
• 精度更好
• 对比如下：
  
  可以看得到采用ResNet可以获得更好的检测效果。
  - 多尺度预测（类FPN）
• 聚类来得到Bbox的先验，选择9个簇以及3个尺度
• 将这9个簇均匀的分布在这3个尺度上
  
  右下角采用不同尺度来获取特征作为yolo检测的输入，而对于Anchor的设计，同样采用聚类的方法来获得最终的长宽比，这里通过聚类得到9个聚类中心，将这9个聚类中心平均的分配到3个尺度上，每个尺度预测3个box，对于每种尺度，作者引入卷积层进一步提取特征，在输出box信息。对于尺度1而言。作者通过卷积之后直接得到后续box信息，对于尺度2而言，作者在进行box输出之前，对尺度1输出的卷积进行上采样，然后同卷积2的feature map进行相加，相加之后在通过多个卷积后输出后续的box信息。整个feature map的大小相对于Scale1扩大了两倍。而尺度3相对于尺度2而言同也扩大了两倍。它的原理同尺度2一样。

- 更好的分类器：binary cross-entropy loss

• Softmax不适用于多标签分类
• Softmax可被独立的多个logistic分类器代替，且准确率不会下降
  binary cross-entropy loss二值交叉熵loss
  
  
  
  Draknet框架
• 由C语言和CUDN实现
• GPU显存利用效率较高
• 第三方库的依赖较少
• 容易移植到其他平台，如Windows或嵌入式设备
  优点：
• 快速、pipline简单
• 背景误检率低
• 通用性强

相比于RCNN系列物体检测方法的缺点：

• 识别物体位置精准性差
• 召回率低