论文精读|5th|YOLO v3的新特性

YOLO（You Only Look Once）是当今最有效的快速目标检测算法之一。虽然它现如今已经不是最准确的识别算法了，但依然是进行实时物体检测的最佳选择之一。最近，YOLO发布了它的最新版本YOLO v3，本文重点介绍YOLO v3的新特点。

获得源代码及YOLO论文，请关注公众号并回复：20180508
特点1: 更好，而不是更快，更强YOLO v2（即YOLO9000）在当时是最快、最准确的物目标检测算法。随着技术的进步，其准确率逐渐被RetinaNet和SSD等算法超越，但YOLO v2依然是计算效率最高的算法。在YOLO v3版本中，为了提高准确度，牺牲了一些算法的速度。测试表明，YOLO v2在Titan X上的运行速度为45FPS，而YOLO v3则为30FPS。这是因为新版本增加了底层框架Darknet的复杂度。


特点2：Darknet-53YOLO v2使用的深度底层框架是Darknet-19，包含19个卷积层和5个最大池化层。在此基础上，再叠加11层网络来进行目标检测。但YOLO v2的30层网络结构在识别小尺寸物体时的效果并不是很好。这是因为该算法不断的压缩图像尺寸，从而损失了图像的某些细小特征。YOLO v2采用了恒等映射（identity mapping）方法来弥补这个缺点，计算过程中将前一层的特征映射过来获得低阶特征。但是，YOLO v2依然缺少现在最先进算法的一些必要元素，比如残差模块（residual blocks）、跳跃式传递（skip connection）和上采样（upsampling）。
首先，YOLO v3融合了残差网络和上采样等先进的算法思想。其次，对Darknet进行了改进，将网络深度扩展到53层，并在Imagenet上进行了预训练，物体识别则通过另外的53层网络来实现，YOLO v3完整的卷积底层结构共有106层，这也是YOLO v3较YOLO v2慢的原因。YOLO v3的网络结构如下图所示。

特点3：从三个尺度进行检测YOLO v3最显著的特点是在三个不同的尺度上对图像展开检测。YOLO v1是一个全卷积神经网络，其通过在特征图（feature map）上应用1x1的卷积核来产生最终输出结果。在YOLO v3中，物体检测则是通过在网络不同位置、不同尺度的特征图应用1x1卷积核来实现的。
用来进行识别的卷积核的尺寸为1 x 1 x ( B x ( 5 +C ) )，其中B代表一个cell中包含的边界框（bounding box）数量，5代表边界框的4个属性和物体置信度，C是物品类别数。YOLO v3在COCO上进行测试时，取B=3和C=80，所以卷积核的尺寸为1 x 1 x 255。注意，该卷积核不会改变特征图的尺寸，但在第3个维度上附属了物品预测信息。
 

YOLO v3在3个不同尺寸的特征图上进行预测，准确的说，即是对输入图像分别进行32、16和8倍的降采样后再进行预测。
第一次检测发生在第82层，对于前面的81层网络，图像被逐渐的降采样，也就是说对于第81层，其降采样步长为32。假设输入的图像尺寸为416 x 416，那么输出的特征图尺寸为13 x 13。然后应用1 x 1卷积核进行第一次检测，输出尺寸为13 x 13 x 255的检测特征层。
然后对第79层的特征图先进行一系列卷积处理，再进行2倍的上采样，将尺寸扩展到26 x 26。然后再将其与第61层网络在第3个维度上进行拼接。对拼接后的特征层应用一系列的1 x 1卷积核进行处理，将第61层的特征进一步融合。最后在第94层进行第二次物品检测，输出的特征层尺寸为26 x 26 x 255。
第三册检测的处理方法相同，即将第36层和第91层的特征进行融合，并在第106层进行第三次特征检测，输出的特征层尺寸为52 x 52 x 255。

特点4：善于检测更小的物品YOLO v3将上采样层跟前面的层进行拼接融合，该处理方法保留了图像中更细致的特征，这一点对检测微小尺寸物品很有帮助。
对应的，YOLO v3的13 x 13特征层适用于检测大尺寸物品，26 x 26特征层适用于检测中等尺寸物品，52 x 52特征层则用来检测小尺寸物品。

特点5：锚箱的选择YOLO v3总共使用了9个锚箱（anchor box），每个尺度各3个锚箱。如果你在自己的数据集上应用YOLO，你需要使用K平均聚类方法自行创建9个锚箱。然后将各锚箱按降序排列，最大的3个应用到第一类特征层，接下来的3个对于第二类特征层，最后3个处理最后的特征层。

特点6：图像有更多的边界框对于相同的输入图像，YOLO v3比YOLO v2使用了更多的边界框（bounding box）。比如，对于416 x 416的输入图像，YOLO v2共应用了13 x 13 x 5 = 845个边界框。对于每个cell，采用5个锚箱进行检测。
而YOLO v3则在三个不同的尺度设置了边界框。同样的416 x 416图像，预测用边界框的数量则达到10647个。也就是说，YOLO v3预测用的边界框数量比YOLO v2多10倍之多，这也是YOLO v3速度慢的原因所在。在每个尺度，每个cell用3个锚箱，所以 YOLO v3的锚箱总数是9个。


特点7： 损失函数的变化YOLO v2的损失函数如下：

YOLO v2损失函数的后三项是平方误差，而YOLO v3则更改为交叉熵误差项，也就是说YOLO v3的物品置信度和分离预测使用的是逻辑回归算法。

特点8：不再使用softmax进行分类YOLO v3采用了多标签分类的方法进行目标检测。
在早期的YOLO版本中，通常采用softmax函数对目标进行分类与估值，然后选择有最大分值的物品对边界框进行标识。YOLO v3则改变了这种方式。
softmax分类假定各个物品的类别是互斥的，也就是说一个物品属于某一类，那么它就不可能属于另一类。
但是，当数据库中包含诸如“人类”和“女人”这样的类别时，那么上述假设及不成立了。这也是YOLO的作者放弃softmax分类的原因。在YOLO v3中，每个类别的分值用线性回归来预测，此外还设置了一个门槛值来实现多标签预测。也就是说，当某个类别的分值高于门槛值，则该类别的标签就被赋予相应的边界框。


特点9：基准测试在COCO mAP 50 benchmark数据库上，将YOLO v3与其他的先进算法（如ResNet）在相同的计算条件下进行了比对，结果发现YOLO v3的计算效率更高。

但是，YOLO在COCO的基准测试中使用了更高的IoU值来拒绝检测。这里不打算解释COCO基准测试是如何工作的，因为它超出了本文的范围，但是在COCO 50基准测试中，50这个数值是用来衡量预测的边界框与对象的Ground Truth框贴合的程度的。这里，50对应的是0.5 IoU。如果预测的边界框与Ground Truth框之间的IoU小于0.5，则该预测被归类为定位错误，并标记为假阳性。
在基准测试中，基准数值越高(比如，COCO 75)，则边界框需要更好地与Ground Truth框对齐，以避免被评估指标剔除。测试发现，YOLO v3 的表现不如RetinaNet，因为它的边界框贴合度较RetinaNet差，详细测试表如下所示。

简单测试为了对比YOLO不同版本的差异，我们进行简单的测试。测试代码来自Github项目repo。运行代码需要PyTorch0.3+，OpenCV3和Python3.5。
不同尺度的特征层
我们来看下不同尺度的特征层识别的目标的差异。


python detect.py --scales 1 --images imgs/img3.jpg
 

python detect.py --scales 2 --images imgs/img3.jpg
 

python detect.py --scales 3 --images imgs/img3.jpg

 

不同的输入分辨率


python detect.py --reso 320 --images imgs/imgs4.jpg

 

python detect.py --reso 416 --images imgs/imgs4.jpg

 

python detect.py --reso 608 --images imgs/imgs4.jpg
 

python detect.py --reso 960 --images imgs/imgs4.jpg
 

在本例中，较大的输入分辨率并没有多大帮助，但是它们可能有助于检测包含小尺寸物品的图像。另一方面，较大的输入分辨率增加了计算时间，这是一个需要根据需求调整的超参数。你也可以通过运行问repo代码来试验超参数，比如批处理数量、objecityconfidence和NMS阈值对YOLO v3性能的影响。