YOLOv3原理详解（绝对通俗易懂）2021-07-01

YOLOV3框架如上图所示，其实，整个框架可划分为3个部分：分别为Darknet-53结构、特征层融合结构（上图concat部分）、以及分类检测结构(上图未画出)。那这三个部分有啥作用或者说怎样工作的呢？

下面从网络结构的输入说起，给一张图像x（大小：416×416）输入到Darkenet-53网络结构，进行一系列的卷积以及参差网络，分别得到原图像1/8（大小：52×52）、1/16（大小：16×26）、1/32的特征图（即feature map），这个过程就是所谓的特征提取过程；在上图也可以看到经过Darkenet-53网络之后有3个分支，分别对应的就是3个不同尺寸的feature map。可能大家想问得到这3个不同尺寸的feature map有什么用呢？为什么要分3个featrue map？（这里不说明，后面原理讲解部分再做解释）

有了3个不同尺寸的feature map，本应该直接利用这些特征进行分类检测的，但考虑到这样的特征层可能表现能力不够，或者说，提取的这些特征不能充分的反应原图中的目标信息。所以接下来需要将3个特征图进行特征融合，以获得更强的特征表现力，从而达到更好的效果；其中由于尺寸不一样，中间需要进行上采样以及下采样（其实就是卷积），使特征图变成相同大小，然后进行堆叠、融合及相应的卷积等操作后，得到最终的3个特征层，即上图中的13×13×255（Y1）、26×26×255（Y2）、52×52×255（Y3），这3个特征图恰好分别为原图像x的1/32、1/16、1/8.

到这，其实整个YOLOV3的框架的核心基本上就讲完了，分类检测结构上图没有画出，后面以原理的形式讲解。

综上所述，对于整个框架，我们抛开其他的细节不看，其实就是将一张大小为416×416×3的输入图像x，经过大量的卷积操作，变成了比它小得多的特征图。下面进行原理讲解

一张大小为416×416×3的原图经过YOLOV3框架卷积后，假设得到一张7×7×255的特征图（为了说明方便，这里没有采用13、26、52的尺寸），原图中可以直观的看到很多的目标，比如有：狗、自行车、小车、树等等；而经过卷积特征提取之后，就变成了不可见的、只有特征点的特征图，其中的每个特征点就反映原图中某个部分的特征，这个特征图就是用来做目标检测与分类的。那具体怎么理解呢？？？请看下面
形象理解如下图：原图像素大小不是为416×416嘛，经过大量卷积操作后像素大小变为7×7的了（或者是其他大小的），好像实现了图像的浓缩；那如何理解这个浓缩过程呢？其实，可以看成为将原图 划分了 7×7个大小的块（或区域），即7×7 = 49个块（如下 左图），每个块的大小大约为59.4×59.4，而这些块经过卷积特征提取后 就一一对应为右图中相对应点的特征向量（右图中每个点都有很多通道，比如：128）；比如原图第一个块变为右图14特征点，原图第二块变为右图25特征点（这里特征点不是单纯的一个点，而是255维的特征向量，这里说成特征点便于理解）；这样，特征图的每个特征点（向量）就负责原图中对应块的目标检测；怎么个目标检测请往后面看；至于为什么要划分为不同尺寸的特征图，是为了让YOLO算法能适应不同大小目标的检测；比如：13×13×255的特征图，其一个特征点就对应原图大小为32×32（416/13=32）的块的检测，适合于大目标的检测；而52×52×255的特征图，其一个特征点对应原图大小为8×8（416/52）的块的检测。适合与小目标的检测，同理26×26×255适合于中目标的检测。
那有了上面的特征图后，如何进行目标检测，以及如何框出目标并给出对应的类别的呢？

进行目标检测其实就是分类预测和回归预测，对应的操作实际上就将7×7×255的特征图进行一个卷积核为3×3的卷积操作和一个卷积核为1×1的卷积操作，经过这样的一个操作之后呢。特征图的预测输出为：7×7×255 →7×7×75。预测输出7×7×75 就是对应于原图中每个块的目标类别与位置信息，至此，就实现了目标的检测以及分类。详细说明如下

如下图所示：预测结果输出与原图的对应关系
首先说明输出结果7×7×75的含义：
① 7×7分别对应回原图中的一些块（或区域），如上图箭头所示，7×7能够完全对应整个原图。
② 75 = 3 ×（4 + 1 + 20）：75中包含了3个预测框（bounding box）的信息，其中每个预测框有25个参数，分别由4个位置坐标信息+1个类别置信度+20个类别预测值组成。只要7×7=49个75维向量都能预测出目标的信息，那么整个原图的所有目标对象就 都能检测出来了。

有了这些信息之后就可以预测在原图中是否有目标。在上图中，14点对应的75维向量对应于原图中第一块，那么它就负责这一块的区域的目标预测；首先，如果75维中第1个bounding box的信息为：
（14, 64，30, 60，0.75，0,1,0,0,0，0,0,0,0,0，0,0,0,0,0，0,0,0,0,0）
那么就表示在原图中的第一块网格区域中，在坐标为（14， 64）宽高分别为：30，60处有一个 类别为第2类（假设是：树）的目标，且该目标属于第2类的置信度为0.75，那么在原图中，第一个网格处的预测类别为 ‘树’，其置信度为75%。对于第2、3个bounding box也是同样的判断，然后在这3个bounding box中采用非最大值抑制（NMS）筛选出预测最准确的一个框，当原图中所有网格区域都预测出各自的类别后，进行信息综合，输出整张图片的完整目标信息，最后在原图中框出目标。至此，对于一张输入图片的目标检测过程就完成了。

最后说明一点：上面的过程只是在训练好的基础上进行的目标预测，而对于训练过程来说，其数据集的每张图片已经标注过，即已经知道每张图片中目标的位置及类别信息（称为先验信息），且也是编码为75维的向量形式，在训练时，由于模型参数是随机的，每张图片的目标预测可能是非常不准确的，这个时候，需要把网络的预测结果与真实的先验信息求Loss，然后通过反向传播不断求梯度，降低Loss，从而优化模型的参数，当Loss足够小时，说明模型的效果就比较好了，这时就可保存模型及其参数，用于对某张图片的目标检测。