YOLO2，是比较快的物体检测算法之一。虽然它不再是最精确的物体检测算法，但是当你需要实时检测时，它是一个非常好的选择，而不会损失太多精度。

本文重点解释YOLO v3中引入的变化。而不是一个讲解YOLO3是什么。我假设你知道YOLO v2是如何工作的。如果你不了解YOLO，那么请看文章深入理解deep learning目标检测方法之YOLO，了解YOLO如何运作。

YOLO V3：更好的，不是更快，更强

YOLO v2纸的官方标题似乎是YOLO是一种基于牛奶的儿童健康饮料，而不是物体检测算法。它被命名为“YOLO9000：更好，更快，更强”。

因为时间YOLO 9000是最快的，也是最准确的算法之一。然而，几年之后，它已不再是像RetinaNet这样的算法最准确的，而且SSD在准确性方面表现优于它。然而，它仍然是最快的之一。

但是，为了提高YOLO v3的准确性，这种速度已被取消。虽然早期版本在Titan X上以45 FPS运行，但当前版本的时钟约为30 FPS。这与称为Darknet的底层架构的复杂性增加有关。

暗网- 53

YOLO v2采用了自定义深度架构darknet-19，最初是19层网络，另外还有11层用于对象检测。YOLO v2采用30层架构，经常遇到小对象检测。这归因于细粒度特征的丢失，因为层对输入进行了下采样。为了解决这个问题，YOLO v2使用了身份映射，连接了前一层的特征映射以捕获低级特征。

然而，YOLO v2的架构仍然缺少一些最重要的元素，这些元素现在是大多数最先进算法的主要元素。没有剩余块，没有跳过连接，也没有上采样。YOLO v3包含所有这些。

首先，YOLO v3使用Darknet的变体，最初在Imagenet上训练了53层网络。对于检测任务，在其上堆叠了53层，为YOLO v3提供了106层完全卷积的底层架构。这就是YOLO v3与YOLO v2相比速度缓慢的原因。以下是YOLO的架构现在的样子。

三个尺度的检测

较新的架构拥有剩余跳过连接和上采样。v3最突出的特点是它可以在三种不同的尺度上进行检测。 YOLO是一个完全卷积网络，它的最终输出是通过在特征映射上应用1 x 1内核生成的。在YOLO v3中，通过在网络中的三个不同位置处在三种不同大小的特征映射上应用1×1检测内核来完成检测。

检测内核的形状是1×1×（B×（5 + C））。这里B是特征映射上的单元可以预测的边界框的数量，“5”表示4个边界框属性和1个对象置信度，C是类的数量。在使用COCO训练的YOLO v3中，B = 3且C = 80，因此内核大小为1 x 1 x 255。此内核生成的特征映射具有与前一个特征映射相同的高度和宽度，并具有沿着该特征映射的检测属性。如上所述的深度。

在我们进一步讨论之前，我想指出网络的步幅，或者一个层被定义为它对输入进行下采样的比率。在以下示例中，我假设我们有一个大小为416 x 416的输入图像。

YOLO v3在三个等级上进行预测，这通过分别将输入图像的尺寸下采样32,16和8来精确地给出。

第一次检测由第82层进行。对于前81层，图像由网络下采样，使得第81层具有32的步幅。如果我们具有416×416的图像，则得到的特征图将具有13×13的大小。这里使用1 x 1检测内核，为我们提供13 x 13 x 255的检测特征图。

然后，来自层79的特征映射经历几个卷积层，然后被2x上升到26×26的维度。然后，该特征映射与来自层61的特征映射深度连接。然后，组合的特征映射再次经受几个1×1卷积层以融合来自较早层（61）的特征。然后，通过第94层进行第二次检测，产生26×26×255的检测特征图。

再次遵循类似的过程，其中来自层91的特征图在与来自层36的特征图深度连接之前经历少量卷积层。像之前一样，接下来几个1×1卷积层来融合来自先前的信息。层（36）。我们在第106层制作3的最后一个，产生尺寸为52 x 52 x 255的特征图。

更好地检测较小的物体

不同层次的检测有助于解决检测小物体的问题，这是YOLO v2的常见问题。与先前图层连接的上采样图层有助于保留细粒度特征，这有助于检测小对象。

13 x 13层负责检测大型物体，而52 x 52层检测较小的物体，26 x 26层检测中等物体。以下是不同层在同一对象中拾取的不同对象的对比分析。

选择锚箱

YOLO v3，总共使用了9个锚箱。每个规模三个。如果您在自己的数据集上训练YOLO，则应该使用K-Means聚类来生成9个锚点。

然后，按照尺寸的降序排列锚点。为第一个刻度分配三个最大的锚点，为第二个刻度分配下三个锚点，为第三个刻度分配最后三个锚点。

每个图像有更多边界框

对于相同大小的输入图像，YOLO v3比YOLO v2预测更多的边界框。例如，在其原始分辨率为416 x 416时，YOLO v2预测为13 x 13 x 5 = 845个盒子。在每个网格单元，使用5个锚点检测到5个盒子。

另一方面，YOLO v3预测3种不同尺度的方框。对于416 x 416的相同图像，预测框的数量是10,647。这意味着YOLO v3预测YOLO v2预测的盒子数量的10倍。可以很容易地想象为什么它比YOLO v2慢。在每个尺度上，每个网格可以使用3个锚来预测3个框。由于有三个刻度，所以总共使用的锚箱数量为9个，每个刻度3个。

损失函数的变化

YOLO v2的损失函数如何。

我知道这是令人生畏的，但请注意最后三个条款。其中：

• 第一个惩罚负责预测对象的边界框的对象分数预测（理想情况下这些分数应为1）
• 第二个对于没有对象的边界框（理想分数应该为零）
• 最后一个惩罚预测对象的边界框的类预测。

YOLO v2中的最后三个项是平方误差，而在YOLO v3中，它们已经被交叉熵误差项取代。换句话说，现在通过逻辑回归预测YOLO v3中的对象置信度和类别预测。

当我们训练探测器时，对于每个地面实况框，我们分配一个边界框，其锚点与地面实况框最大重叠。

没有更多的softmaxing类

YOLO v3现在对图像中检测到的对象执行多标记分类。

在早期的YOLO中，作者习惯于将类得分最大化，并将具有最高得分的类作为包含在边界框中的对象的类。这已在YOLO v3中进行了修改。

Softmaxing类依赖于类是互斥的假设，或者简单地说，如果一个对象属于一个类，那么它就不属于另一个类。这在COCO数据集中工作正常。

• 但是，当我们在数据集中有Person和Women等类时，上述假设就失败了。这就是为什么YOLO的作者没有采用softmaxing类的原因。相反，使用逻辑回归预测每个类别分数，并且使用阈值来预测对象的多个标签。分数高于此阈值的类将分配给该框。

标杆

YOLO v3与其他先进的探测器（如RetinaNet）相当，同时在COCO mAP 50基准测试中速度更快。它也比SSD和它的变体更好。以下是对论文表现的比较。

但是，但是，但是，YOLO在COCO基准测试中失去了较高的IoU值，用于拒绝检测。我不打算解释COCO基准是如何工作的，因为它是超出了工作范围，但50中50 COCO是基准的预测边框如何做对齐对象的地面真值块的措施。这里50对应于0.5 IoU。如果预测和地面实况框之间的IoU小于0.5，则预测被分类为误定位并标记为假阳性。

在基准测试中，此数字较高（例如，COCO 75），框需要更完美地对齐，以免被评估指标拒绝。这里是YOLO被RetinaNet超越的地方，因为它的边框不像RetinaNet那样对齐。这是一个详细的表格，可用于更广泛的基准测试。

RetinaNet在COCO 75基准测试中的表现优于YOLO。请注意，RetinaNet如何在小型对象（AP）的AP基准测试中表现更好。

做一些实验

你可以使用本文提供的Github存储库中提供的代码在图像或视频上运行检测器。该代码需要PyTorch 0.3 +，OpenCV 3和Python 3.5。

不同的尺度

以下是不同检测层的内容。

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

分辨率输入不同

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

在我们的情况下，较大的输入分辨率没有多大帮助，但它们可能有助于检测小物体的图像。另一方面，较大的输入分辨率会增加推理时间。这是一个超参数，需要根据应用进行调整。你可以通过转到repo来试验其他指标，例如批量大小，对象置信度和NMS阈值。