【深度学习】目标检测之YOLOv3算法

YOLO系列目标检测算法官方代码

https://pjreddie.com/darknet/yolo/

YOLOv3

网络结构

Darknet-53：
共有53个卷积层，进行32倍下采样

Darknet-53为了加深网络，也采取的类似ResNet的跳接结构，但和ResNet的残差块结构不同：

• ResNet的下采样过程，在与上一个卷积组邻接的残差块中实现。【深度学习】ResNet系列网络结构
• Darknet-53的下采样过程，是在Residual跳接之前，用一个单独的卷积层实现的。

Darknet-53中所有的Residual都是如上图所示的结构

YOLOv3保留Darknet-53标准结构Avgpool以上的部分（不包括Avgpool）。在此基础上和SSD一样，在三个不同size的Feature Map上接Detection Head。此外，仿照FPN，较深层的Detection Head的Feature Map经过上采样，和较浅层的Detection Head的Feature Map按channel方向进行拼接。

YOLOv3网络结构如下：

anchor的编解码

YOLOv3的编解码和YOLOv2的编解码方式相同：

先验：

• 每个Detection Head的最后一个卷积层的输入Feature Map（也就是使用anchor的Feature Map）的每一个cell的左上角点坐标$c_x$、$c_y$（$c_x、c_y=0,1,2,...$）
• anchor的width和height，$p_x$、$p_h$。注意，YOLOv3中的anchor和YOLOv2、SSD中的anchor都不相同。
  SSD中的anchor，width和height是相对于原图像的size进行归一化后的值，其值范围在$0$到$1$之间；
  YOLOv2中的anchor，width和height是以使用anchor的Feature Map的width和heigth为基准的绝对的值，其值范围在$0$到$FeaturnMap的width（height）$之间；
  YOLOv3中的anchor，width和height是以初始输入图像（第一个卷积层的输入tensor）的witdh和height为基准的绝对的值，其值范围在$0$到$初始输入图像的width（height）$之间。(YOLOv3的anchor的值，除以各自所在的Feature Map的下采样倍数，就和YOLOv2的anchor的值定义相同了)

YOLOv3通过COCO数据集的ground truth box的大小，聚类得到9个anchor的值。每个Detection Head使用其中的三个。具体值如下：

最浅的Detection Head：

(10,13), (16,30), (33,23),

中间的Detection Head：

(30,61), (62,45), (59,119),

最深的Detection Head：

(116,90), (156,198), (373,326)

输出：
和YOLOv2相同，YOLOv3每个cell生成三个anchor（YOLOv2是五个），每个anchor对应自己的输出：4(center_x, center_y, width, height) + 1(置信度) + num_classes(和SSD不同，这个num_classes不包括background，SSD就是通过增加一个background起到YOLO中置信度的作用)

center_x：$t_x$
center_y：$t_y$
width：$t_w$
height：$t_h$
置信度：$t_o$

编码方式：
$b_x=Sigmoid(t_x)+c_x$
$b_y=Sigmoid(t_y)+c_y$
$b_w=p_x{e}^{t_w}$
$b_h=p_h{e}^{t_h}$
$b_o=Sigmoid(t_o)$

label：
$g_x$、$g_y$、$g_w$、$g_h$：原始图像上的ground truth box的中心点坐标、width以及height归一化后的值（注意计算loss时，$g_x$、$g_y$要乘预测所使用的Feature Map的width、height；$g_w$、$g_h$要乘初始输入图像的width、height）

置信度label：计算方式和YOLOv2相同。【深度学习】目标检测之YOLOv2算法&6D姿态估计之YOLO-6D算法

损失函数

和YOLOv2相同，计算损失函数前，要先确定哪个anchor负责哪个落入cell中的object的预测，确定方法与YOLOv2相同。【深度学习】目标检测之YOLOv2算法&6D姿态估计之YOLO-6D算法

损失函数计算：

• 第一项：所有负责预测目标的anchor的坐标损失($b_x、b_y、b_w、b_h$​)。label是$g_x、g_y、g_w、g_h$​（注意计算loss时，$g_x$、$g_y$要乘预测所使用的Feature Map的width、height；$g_w$、$g_h$要乘初始输入图像的width、height）。使用均方损失函数。衡量目标定位准确度。前面的系数设置为1
• 第二项：不负责预测目标的anchor的坐标损失($b_x、b_y、b_w、b_h$​)。label是cell的左上点$x$、cell的左上点$y$、anchor的$width$、anchor的$heigth$。因为这样的label对应的实际输出是零。使用均方损失函数。前面的系数设置为1
• 第三项：负责预测目标的anchor的confidence损失$b_o$。label是$Pr(object)\ast IOU(b,object)$。使用binary cross-entropy loss（不使用Softmax）。衡量可能有目标的准确度。前面的系数设置为5
• 第四项：不负责预测目标的anchor的confidece损失$b_o$​。计算$Pr(object)\ast IOU(b,object)$，如果计算结果小于0.5，label是零。使用binary cross-entropy loss（不使用Softmax）。前面的系数设置为1
• 第五项：负责预测目标的anchor的类别损失。使用binary cross-entropy loss（不使用Softmax）（在这里相当于多个独立的逻辑分类器，这样的多标签方法有助于对训练数据更好的建模）。

binary cross-entropy loss

二分类的交叉熵损失函数：
对于一个样本：$H_{y^{/}}(p(y))=-[y^{/}\ast log(p(y))+(1-y^{/})log(1-p(y))]$
其中，$y^{/}$是label信息，positive是1，negative是0。$p(y)$是网络的输出，也就是结果是positive的概率。

AP（Average Precision）的含义和计算方法

注意，多类别的目标检测任务中，AP是针对单独一类目标而言的

• 正确率(Precision)：
  $正确率(Precision)=\frac{TP}{TP+FP}$
  判断为True的样本中，真实为True的比例

• 真阳性率(True Positive Rate，TPR)，灵敏度(Sensitivity)，召回率(Recall)：
  $真阳性率=\frac{TP}{TP+FN}$
  真实为True的样本中，判断为True的比例

Precision和Recall用到目标检测领域，就是：
假设有一组图片，里面有若干待检测的目标，Precision就代表模型检测出来的目标有多大比例是真正的目标物体；Recall就代表所有真实的目标有多大比例被模型检测出来了。

以Recall为横轴，Precision为纵轴绘制的曲线，就是PR曲线。

AP（Average Precision），就是对PR曲线的纵轴（Precision）的值取平均。所谓11point-AP，就是将R轴平分11个点，对应的P轴的值取平均。

mAP（mean Average Precision）的含义和计算方法

mAP是所有类别的AP值的均值

结语

如果您有修改意见或问题，欢迎留言或者通过邮箱和我联系。
手打很辛苦，如果我的文章对您有帮助，转载请注明出处。