YOLO-v3论文笔记

一、网络架构

首先解释一下Top1和Top5：模型在ImageNet数据集上进行推理，按照置信度排序总共生成5个标签。按照第一个标签预测计算正确率，即为Top1正确率；前五个标签中只要有一个是正确的标签，则视为正确预测，称为Top5正确率

YOLOv3使用的backbone是Darknet-53，他是在YOLOv-2上改进的，加深了网络深度，同时引入了Resnet的跨层加和操作。

DBL : 如图1左下角所示，也就是代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件。就是卷积+BN+Leaky relu。对于v3来说，BN和leaky relu已经是和卷积层不可分离的部分了(最后一层卷积除外)，共同构成了最小组件。
resn ：n代表数字，有res1，res2, … ,res8等等，表示这个res_block里含有多少个res_unit。这是yolo_v3的大组件，yolo_v3开始借鉴了ResNet的残差结构，使用这种结构可以让网络结构更深(从v2的darknet-19上升到v3的darknet-53 ： 前者没有残差结构 )。对于res_block的解释，可以在上图的右下角直观看到，其基本组件也是DBL。
concat：张量拼接。将darknet中间层和后面的某一层的上采样进行拼接。拼接的操作和残差层add的操作是不一样的，拼接会扩充张量的维度，而add只是直接相加不会导致张量维度的改变。

1、yolov3中只有卷积层，通过调节卷积步长控制输出特征图的尺寸，所以对于输入图片没有特别限制 。yolo_v2中对于前向过程中张量尺寸变换，都是通过 最大池化来进行，一共有5次。而v3是通过卷积核 增大步长来进行，也是5次。
2、借鉴了金字塔思想 ，特征图的输出维度为NxNx[3x(4+1+80)]，NxN为输出特 征图格点数，一共3个Anchor框，每个框有4维预测框数值 t_x, t_y, t_w,t_h，1维预测框置信度，80维物体类别数。所以第一层特征图的输出维度为 8x8x255。
3、总共输出3个特征图，第一个特征图下采样32倍，第二个16倍，第三个8倍，输入图像经过Darknet-53（无全连接层），再经过Yoloblock生成的特征图被当作两用，第一用为经过3x3卷积层、1x1卷积之后生成特征图一，第二用为经过1x1卷积层加上采样层，与Darnet-53网络的中间层输出结果进行拼接，产生特征图二。同样的循环之后产生特征图三。

输入

416*416

二、输出特征图的解码

1、先验框
在Yolov1中，网络直接回归检测框的宽、高，这样效果有限。所以在Yolov2中，改为了回归基于先验框的变化值，这样网络的学习难度降低，整体精度提升不小。采用对图像中object进行k均值聚类。

三、缺点

1、当iou的阈值为0.5时，yolo-v3的map可以很高，但是当阈值提高时，它的map反而在下降