【YOLO系列】YOLOv3分析与总结

倒霉蛋老马

已于 2025-01-02 19:01:02 修改

阅读量1.5k

点赞数 21

分类专栏：目标检测文章标签： YOLO 目标检测深度学习笔记

于 2024-12-05 20:54:38 首次发布

本文链接：https://blog.youkuaiyun.com/m0_55908255/article/details/144254897

版权

YOLOv3是YOLO系列的最新版本，通过多尺度预测和Darknet-53网络增强了小物体检测能力，与SSD和RetinaNet相比，YOLOv3在保持高速的同时提供了更高的准确性。论文中提到的改进包括边界框预测、类预测、特征提取和训练方法。尽管在某些指标上不如其他模型，但YOLOv3在0.5IOU的检测指标上表现出色，且整体速度快。

参考笔记：

YOLO v3网络结构分析_yolov3网络结构-优快云博客

【YOLO系列】YOLOv3论文超详细解读（翻译＋学习笔记）-优快云博客

学习视频：

【精读AI论文】YOLO V3目标检测（附YOLOV3代码复现）_哔哩哔哩_bilibili

yolov3理论讲解_哔哩哔哩_bilibili

4.1、yolov3算法先导与背景_哔哩哔哩_bilibili

个人吐槽：YOLO2、YOLO3真的是一地鸡毛，很多博客博文讲的都互相矛盾。感觉概念最模糊的地方应该是正负样本的分配机制，本文此节撰写的内容不一定是正解，有问题希望大佬能指出，十分感谢！

1.BackBone

2.YOLOv3网络结构

3.Bounding Box Prediction—边界框预测

4.Predictions Across Scales—跨尺度预测

1.BackBone

作者将YOLOv2中的Darknet-19替换成一个新的网络Darknet-53作为YOLOv3网络的特征提取器。如下是Darknet-53的网络结构

Darknet-53主要做了如下改进：

（1）没有采用最大池化MaxPooling层，采用stride=2，kernel_size=3的卷积层进行下采样。

（2）为了防止过拟合，在每个卷积层之后加入了一个BN层和一个Leaky ReLU（卷积层的Bias偏置设置为False）。

（3）引入了残差网络的思想，目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。

作者尝试各种模型作为YOLOv3的BackBone，下图是一些实验结果，可以看到Darknet-53的性能十分优秀。

BLOPS/s：每秒钟可进行的浮点运算量，值越大表示更好的利用GPU性能

FPS：每秒可以处理的图片数量

Bn OPs：计算量

2.YOLOv3网络结构

YOLOv3中为每一个预测层的feature map的每一个网格预先设置3个先验anchor。

与YOLOv1，YOLOv2不一样的是，YOLOv3中是在三个预测特征层上进行预测，也就是模型最后会输出三种尺度下的feature map，这里假设输入图片是416x416，那么三个预测特征层的输出分别是 $13\times13\times255$ ， $26\times26\times255$ ， $52\times52\times255$ 。形式为 $N\times N\times 3\times (4+1+80)$ 。

其中NxN为特征图大小(或网格数量)，3为每个网格对应anchor预测生成的bbox个数，4为偏移量，1为confidence，80对应coco数据集的分类数。这三种尺度的feature map每个grid cell产生3个先验anchor，与YOLOv2中一样，先验anchor的尺寸大小是使用k-means聚类算法得到。每个anchor