PolyYolo开源!Yolo也能做实例分割，检测mAP提升40%!

PolyYolo开源！Yolo也能做实例分割，检测mAP提升40%！

就在刚刚，PolyYolo宣布开源，在原版的YoloV3的基础上mAP提升超40%，并且，最重要的是，它通过Yolo实现了实例分割，速度可以达到realtime。

我们可以先看看它的效果：

可以看到，效果还是非常不错的，尤其是在这种场景下，行人和交通灯都属于比较难检测的物体，这个方法完美的解决了在yolo基础上添加实例分割的问题！

原文摘要：我们提出了一个新的YOLO版本，它扩展了带有实例分割的Poly-YOLO。 Poly-YOLO建立在YOLOv3的原始思想的基础上，并消除了它的两个弱点：大量重写的标签和无效的锚点分配。 Poly-YOLO通过使用阶梯式上采样通过超列技术聚合SE-Darknet-53主干中的特征，从而减少了重写标签的数量，并产生了高分辨率的单标度输出。与YOLOv3相比，Poly-YOLO仅具有60％的可训练参数，但相对mAP却提高了40％。我们还展示了具有更少参数和更低输出分辨率的Poly-YOLO lite。它具有与YOLOv3相同的精度，但它的体积小三倍，速度快两倍，因此适用于嵌入式设备。最后，Poly-YOLO使用边界多边形执行实例分割。训练网络以检测在极坐标网格上定义的尺寸无关的多边形。预测每个多边形的顶点时会充满信心，因此Poly-YOLO会生成具有不同数量顶点的多边形。

https://gitlab.com/irafm-ai/poly-yolo?gitlab.com

Yolov3存在的问题

yolov3存在的问题主要是两个，一个是label重写问题，以及anchor的不均衡问题，这可以通过一个图来很直观的理解：

如上图所示，当两个相邻的框的center落在同一个cell的时候，其中一个框可能会被另外一个框重写。这种重写的问题最终导致检测器根本不会用他们来训练。当你训练的Yolo系列检测器有一个类别无法被检测出来的时候，多半是因为它被重写了. 而解决这个问题的关键还是在于Yolo的网格设计方式。

而第二个问题来自于anchor在不同scale的数目不均衡问题。PolyYolo里面解决这个问题的方式也很简单直白，直接把三个尺度去掉，改用更高分辨率的特征输入，同时引入一个SE模块，使得特征被多尺度的学习，更换掉Yolo里面很重的head，改用一个轻量级的更高分辨率的block，最终我们实现了减少了60%的参数量，但是精度却提高了40%。

PolyYolo的多边形实例分割

PY里面的分割思想，其实也很简单，用的是类似于极坐标变换的方式来进行的，这样带来的好处是不会有太大的显存，同时输出的方式不是mask的掩码，可以让整个网络跑的更快，更加轻量。

最后结果显示，模型的输出效果非常不错！

如果大家相对这篇论文有进一步的品读，欢迎关注我们的公众号，期待我们的源码解读，同时也可以通过公众号后台添加小助手微信加入我们的社群交流！

?

AI算法后丹修炼炉是一个由各大高校以及一线公司的算法工程师组建的算法与论文阅读分享组织。我们不定期分享最新论文，资讯，算法解析，以及开源项目介绍等。欢迎大家关注，转发，点赞。同时也欢迎大家来平台投稿，投稿请添加下方小助手微信。

QQ交流群：216912253

查看更多交流方式

微信公众号：AI算法后丹修炼炉

小助手ID：jintianandmerry

http://weixin.qq.com/r/Zy9yagjE8VWOrUwJ93p1 (二维码自动识别)