YOLOV3学习笔记

目录

1. 更先进的特征提取网络

2. 位置检测原理

---

1. 更先进的特征提取网络

        YOLOV3相比YOLOV2其主体的特征提取网络变大了点，我想这也是其mAP提升的原因。YOLOV2的backbone使用了darknet19基础网络，darknet19即有9个卷积层，YOLOV3则使用了一种新的特征提取网络——darknet53，顾名思义有53个卷积层，论文中提到了darknet53的具体计算量，180.7亿次浮点计算，而上篇文章《YOLOV2学习笔记》中我们学习了darknet19只有70亿左右的浮点计算量，显然计算量多了很多，但相比于其提升的精度，这点计算量不算什么。除了网络架构更大了点，在darknet53中还创新的提出了residual操作。

       darknet53网络的分类性能与resnet101，resnet152相比其网络结构对GPU的利用更加高效，如图2可以看出，虽然53的计算量是resset152的2/3，但其推理速度是resnet152的两倍，与计算量相近的热水net101相比，推理速度是他的1.5倍，这充分说明了darknet53网络结构的优越性，对GPU的利用更高效。在图2基础网络对比图中显示了darknet53每秒钟计算的浮点运算最多，（Billion Floating Point/Second）BFLOP/S值达到了1457。

图1 daknet53网络

图2 base网络性能对比

2. 位置检测原理

        关于目标边界框的预测，在下图所示的anchor框中，如果anchor矩形框被检测的目标完全包含，则在边界框回归中参数设置为1，如果anchor矩形框只覆盖了目标的一部分，这里设置阈值为0.5，覆盖的部分面积小于anchor矩形框的一半，则该anchor矩形框将不计入损失函数中计算loss，如果覆盖面积大于anchor矩形框的一半，则将anchor矩形框记入损失函数中计算loss。该阈值在后面作者说明了，如果阈值设置为0.5时，YOLOV3的性能也是最好的。文中也提到，当该阈值增加时，YOLOV3的性能也会显著下降，另外YOLOV3目标检测网络使用了多尺度训练和推理，对小目标检测的准确度比YOLO提升了很多，但是对中等及大目标的准确率相对要差一点。

 

多尺度训练推理：在anchor box预测中引入特征金字塔网络，在darknet的yolov3.cfg文件中，可以看到，其yolo层的输出有三个，这三个yolo层输出的特征图尺度大小都不一样，不同尺度的特征图其描述的特征抽象程度不同，尺度越小特征越抽象越精细，尺度越大所描述的特征越粗糙。作者将这三个尺度的特征图使用了几个卷积层进行处理组合并输出，更好了利用了图像的粗细特征，使得预测更加精细。

 

3个yolo层的输出，且每层预测三个anchor box，即需要9个anchor值，使用K值聚类算法在coco数据集上聚类得到的9个anchor值为（10,13）(16,30)  (33,23) (30 61) (62 45) (59 119) (116 90) (156 198) (373 326)，即为现在yolov3.cfg文件中anchor值。