YOLOv3算法原理，源码精讲以及YOLOv4要点（更新阶段）

YOLOv3算法原理，源码精讲以及YOLOv4要点

1、YOLOv3算法原理
2、YOLOv3源码精讲-讲透Anchor机制
3、YOLOv3源码精讲-要点深入理解
4、YOLOv4要点
目标检测：不仅要给出检测出来的内容，还要给出内容的位置。
在开始之前，首先理解一下：
Bounding Box：

从左到右分别为：

• 1、轴对齐的Bounding Box(简写为AABB)，该框有两种表示方式(x1,y1,x2,y2)—左上右下点的坐标或者(x,y,h,w)—中心点的坐标和高宽值，即用四维的向量来表示；
• 2、轴对齐并带有旋转角的Bounding Box，该框在上面四维的基础上，再加上一个旋转角度，即五维的一个向量来表示，一般用于文本检测；
• 3、圆形的Bounding Box，这种表示方式一般用的比较少。

Bounding Box的表示有绝对坐标和尺度归一化后坐标这两种形式。

• 绝对值坐标是绝对位置，比如（50，100，100，200）；
• 尺度归一化后的坐标，就是把（500，100，100，200）这种绝对坐标占整个图的位置比例，坐标归一化到0-1之间。在yolo种，默认的是尺度归一化的表示。

Bounding Box分为3类：

• Ground True(GT)：事先给定的标签框,数据标定的；
• Prediction：预测的框；
• Anchor:一种机制框，用来辅助预测的。

训练的数据集：

• VOC数据集；
• COCO数据集；
• 自定义数据集
  其中VOC数据集标定的格式：xml文件
  文件内容如下：
  
  其中文件中的画红线的就是对应的Grounding True框的位置。注意VOC的数据值没有进行归一化。
  但是yolo使用的是归一化的数据，不用担心，有转化的工具，后面会说。

IoU/Jaccard index
一个重要的概念：IoU或者Jaccard index
IoU是交集和并集的比值，通过下面的图，就可以很清楚的理解，这里不在赘述。

正式进入YOLOv3部分：

下面这个图是yolov3的一个预测过程：

1、先对要预测的图片进行大小的调整，因为yolov3一旦模型确定之后，对输入的图片大小有固定的要求，所以输入的待检测图片的大小也要固定；
那么如何resize呢？
比如我们输入训练好的模型中的图片大小为416416，但是我们待检测的图片大小是208104。这时，我们是把待检测图片的最长边208放大到416，其实是放大了416/208=2倍，那么104也要同比放大2倍，变成208，那208不足408怎么办？答案是用固定的值进行填补！
例如，补完之后的图片变为：

代码：

#Resize image
def letterbox_image(img,inp_dim):
    """resize image with unchanged aspect ratio using padding"""
    img_w,img_h=img.shape[1],img.shape[0]
    w,h=inp_dim
    new_w=int(img_w*min(w/img_w,h/img_h))
    new_h=int(img_h*min(w/img_w,h/img_h))
    resized_image=cv2.resize(img,(new_w,new_h),interpolation=cv2.INTER_CUBIC)
    #放大缩小需要事先选取那种插值方式。interpolation是插值方式：INTER_CUBIC是4x4像素邻域的双三次插值，INTER_LINEAR是双线性插值（默认设置）
    canvas=np.full((inp_dim[1],inp_dim[0],3),128,dtype='uint8')
    #使用128填充(inp_dim[1],inp_dim[0],3)维度大小的空间
    canvas[(h-new_h)//2:(h-new_h)//2+new_h,(w-new_w)//2:(w-new_w)//2+new_w,:]=resized_image
    #把图片放入使用128填充的空间中
    return canvas

例如原图：

resize之后：

2、把调整完大小之后的图片放入到训练好的模型之中进行预测；
预测的结果获得的框，有可能如下所示：（注意：图不一样，这里仅仅看框）

3、再使用NMS(非极大值抑制)对预测的结果进行筛选，即删除不必要的框，得到的结果就是最终预测的结果。
例如：左图经过NMS,得到右图。

下面看一下，在预测过程中的输出数据的含义是什么：

Pc：框中有物体的概率即置信度，不管是什么物体；
bx,by,bh,bw：框住物体的框的位置和宽高；
c:是被检测物体的类别，如果只有80类，那么c就是一个80维的向量。这个80个数分别是：是第一类物体的概率，是第二类物体的概率，是第三类物体的概率…
具体如下：

我们把该框含有物体的概率Pc乘以该框含有每一类物体的概率组成c向量，得到的结果就是该框中含有每一类物体的真实概率。在得到的结果中，哪一类的概率最大，该框含有的物体就是哪一类。（当然这么说不准确，后面还有闸值，以及非极大值抑制来进行再次筛选，目前暂且这么理解）

再次深入看一下：

图片通过卷积层得到的结果如上图的右图所示，其中19*19的格子，每个格子都代表了5个

为什么是5个，这和后面讲的anchor有关。