Yolo v3的概述、模型理解以及与v1,v2对比

1 YOLOv3概述

---

1.1 概念

YOLOv3（You Only Look Once version 3）是YOLO系列的第三个版本，是一种流行的实时目标检测算法，由 Joseph Redmon 和 Ali Farhadi 在 2018 年提出。YOLOv3 在速度和精度之间取得了良好的平衡，广泛应用于计算机视觉任务中。YOLO v3在YOLO v2的基础上进行了多项改进，进一步提升了检测性能。

1.2 主要特点

• 多尺度预测：YOLO v3采用FPN（Feature Pyramid Network）结构，通过三个不同尺度的特征图进行预测，分别检测大、中、小目标，提升了检测精度。

• Darknet-53 骨干网络：YOLOv3 使用 Darknet-53 作为特征提取网络，结合了残差结构（Residual Blocks），在保持速度的同时提高了精度。

• 多类别分类：使用独立的逻辑回归分类器进行多类别分类，支持多标签分类，适用于目标可能属于多个类别的情况。

• 损失函数改进：采用二元交叉熵损失函数替代Softmax，简化了计算并提升了性能。

• Anchor Boxes：使用K-means聚类生成9个Anchor Boxes，提升了边界框预测的准确性。

1.3 优缺点

• 优点：
  • 速度快：在保持高精度的同时，YOLO v3的检测速度依然很快，适合实时应用。
  • 精度高：相比前代，YOLO v3在精度上有显著提升，尤其在检测小目标时表现更好。
  • 灵活性：支持多类别分类，适用于复杂场景。
• 缺点：
  • 计算资源需求高：由于网络更深，YOLO v3对计算资源的需求较高，尤其在训练时。
  • 小目标检测仍有局限：尽管有所改进，但在小目标密集场景中，YOLO v3的表现仍有提升空间。

2 网络结构理解

---

2.1 核心网络框架

没有池化和全连接层，全部卷积，下采样通过stride为2实现，使用残差网络，更好的提取特征，有3种scale，9个先验框基本上当下经典做法全融入了。

2.2 先验框

YOLO3延续了K-means聚类得到先验框的尺寸方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。在COCO数据集这9个先验框是：(10x13)，(16x30)，(33×23)，(30x61)，(62×45)，（59×119)，(116x90)，(156x198)，(373×326)。

• 在最小的13*13特征图上（有最大的感受野）应用较大的先验框(116×90)，(156x198)，(373x326)，适合检测较大的对象。
• 中等的26*26特征图上（中等感受野）应用中等的先验框(30x61)，(62×45)，(59×119)，适合检测中等大小的对象。
• 较大的52*52特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。
  
  如下：
  小特征图对应的先验框可以框住更大面积便于大物体检测，大特征图小的先验框，可以框住小面积的物体，便于小物体检测。
  

2.3 特征图

2.4 Softmax层替换

Softmax 被替换为独立的逻辑回归分类器（Logistic Classifier），解决多标签分类问题。
每个类别使用一个独立的二元分类器（Binary Classifier），通过 Sigmoid 函数计算该类别的概率。
每个类别的概率是独立的，不依赖于其他类别的概率。由于每个类别的概率是独立的，YOLOv3 可以同时预测多个类别。损失函数使用二元交叉熵损失（Binary Cross-Entropy Loss）代替多类交叉熵损失（Softmax Loss）

3 Yolo v3与v1,v2对比

---

YOLOv3 是 YOLO（You Only Look Once）系列的第三代版本，相较于 YOLOv1 和 YOLOv2，它在网络结构、检测精度、多尺度预测等方面进行了显著改进。

3.1 网络结构

• YOLOv1

  • 使用 GoogLeNet 作为骨干网络，包含 24 个卷积层和 2 个全连接层。
  • 输出为 7×7×30 的张量，每个网格预测 2 个边界框（Bounding Box）和 20 个类别概率。

• YOLOv2

  • 引入 Darknet-19 作为骨干网络，去除了全连接层，采用卷积层替代。
  • 使用 Anchor Boxes 提高检测精度，并通过 K-means 聚类生成先验框。

• YOLOv3

  • 使用 Darknet-53 作为骨干网络，引入残差结构（Residual Blocks），网络更深且更高效。
  • 支持多尺度预测（类似 FPN），通过三个不同尺度的特征图进行检测，提升小目标检测能力

3.2 多尺度预测

YOLOv1：仅使用单一尺度的特征图进行预测，对小目标检测效果较差。
YOLOv2：引入 Passthrough Layer和Fine-Grained Features（细粒度特征）的机制，将浅层特征与深层特征结合，实现特征融合，但是仅融合了单一尺度的特征图,提升对小目标的检测能力。
YOLOv3：采用三尺度预测（13x13、26x26、52x52），分别检测大、中、小目标。通过上采样和特征融合（Concatenation）实现多尺度特征提取，显著提升小目标检测效果。

3.3 分类器与损失函数

• YOLOv1：使用 Softmax 进行单标签分类，每个边界框只能预测一个类别。
• YOLOv2：沿用 Softmax 分类器，但通过 Anchor Boxes 提高了检测的召回率16。
• YOLOv3：使用独立的逻辑回归分类器（Binary Cross-Entropy Loss）替代 Softmax，支持多标签分类。适用于复杂场景（如目标类别重叠），提升了分类的灵活性

3.4 Anchor Boxes 与边界框预测

YOLOv1：直接预测边界框的坐标（x, y, w, h），未使用 Anchor Boxes。
YOLOv2：引入 Anchor Boxes，通过 K-means 聚类生成 5 个先验框，提高了边界框预测的精度。
YOLOv3：使用 9 个 Anchor Boxes（3 个尺度，每个尺度 3 个先验框），进一步优化边界框预测。

3.5 性能与优缺点

• YOLOv1：
  • 优点：速度快，适合实时检测；
  • 缺点：定位精度低，小目标检测效果差。
• YOLOv2：
  • 优点：引入 Anchor Boxes 和 Passthrough Layer，提升了召回率和检测精度；
  • 缺点：仍存在小目标检测不足的问题。
• YOLOv3：
  • 优点：多尺度预测和残差网络显著提升了小目标检测能力和整体精度；
  • 缺点：计算复杂度增加，速度略有下降。。

YOLOv3 在 YOLOv1 和 YOLOv2 的基础上，通过引入 Darknet-53、多尺度预测、逻辑回归分类器等改进，显著提升了检测精度和小目标检测能力，同时保持了较高的实时性。尽管计算复杂度有所增加，但 YOLOv3 仍然是目标检测领域中最受欢迎的模型之一。