yolo--v3论文精读及核心问题整理

原创

已于 2024-03-27 14:45:38 修改 · 914 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #计算机视觉 #目标检测 #目标跟踪 #人工智能 #深度学习

于 2024-03-27 14:43:49 首次发布

本文详细介绍了YOLOv3的性能提升，包括新网络结构带来的准确性增强、多尺度预测和多标签分类方法。Darknet-53作为新网络结构，兼顾了速度和准确性。YOLOv3在速度上超越SSD且与RetinaNet竞争中表现均衡，但需关注对小目标检测的改进。

摘要
更新的YOLO：作者提到对YOLO（You Only Look Once）系统进行了一系列的小设计改进，这些改进旨在提升系统的性能。YOLOv3是YOLO系列的第三个版本，它在保持前一个版本优点的基础上，通过细节上的优化实现了更好的性能。

新训练的网络：YOLOv3包含了一个新的网络结构，这个网络在训练后表现出了更高的准确性。尽管新网络的规模比之前的版本稍大，但它仍然保持了较快的处理速度。

性能数据：在320×320的输入尺寸下，YOLOv3能够在22毫秒内完成检测，达到了28.2 mAP（mean Average Precision）。这一性能与SSD（Single Shot MultiBox Detector）相当，但速度是SSD的三倍。mAP是目标检测领域常用的性能评价指标，它衡量的是模型在不同IoU（Intersection over Union，交并比）阈值下的平均精度。

与其他检测方法的比较：作者比较了YOLOv3与RetinaNet和其他检测方法在Titan X GPU上的性能。YOLOv3在51毫秒内达到了57.9 AP50，而RetinaNet在198毫秒内达到了57.5 AP50。AP50是指在0.5 IoU阈值下的准确率，这是一个传统的检测性能度量标准。YOLOv3在速度上显著优于RetinaNet，同时保持了相似的准确率。

2.1. Bounding Box Prediction”
锚框（Anchor Boxes）的使用：

YOLOv3继续采用YOLO9000的方法，使用锚框（Anchor Boxes）来预测边界框。锚框是一种预定义的框，用于匹配不同尺寸的目标。
网络预测每个边界框的4个坐标（tx, ty, tw, th），这些坐标表示边界框相对于其所在单元格（cell）的位置和尺寸。
坐标预测：

坐标预测包括边界框的中心点坐标（tx, ty）以及宽度和高度（tw, th）的偏移量。这些偏移量是基于锚框的尺寸和位置计算的。
如果单元格相对于图像左上角的偏移是（cx, cy），并且锚框的先验宽度和高度是（pw, ph），那么预测的坐