YOLOv3论文全文完整理解翻译

前言

---

    由于毕业需要翻译一篇英文文献。理所当然，我选择了这篇简短的YOLOv3。不得不说翻译这篇文章是一件很愉快的事，因为作者的确是很可爱。前后花了一天多的时间吧，毕竟水平有限，借助了谷歌翻译，也参考了别人的翻译，为了保证其中专有名词翻译的精准，也查了很多资料。其中加入了不少自己的理解，但是理解水平非常有限，现挂在这里，大家一起来找问题吧，如果发现问题，欢迎在下方留言讨论，看到必回复。看YOLO3前建议先看看YOLO2和YOLO1，推荐一个翻译的很好的资源。

---

                                 YOLOv3：一个渐进式的升级

                                                                         约瑟夫·雷德蒙，阿里·法哈迪

                                                                                       华盛顿大学

 

                                                                  摘要

        我们在YOLO上又做出了一些更新！实现了许多可以提升系统性能的小设计，也训练了一个非常棒的新网络。虽然新网络较上一版稍显庞大，但精度也提高了不少。不过，你也不用担心，因为它依旧很快。YOLOv3能在22毫秒内处理完一张320×320的输入图片，并取得28.2mAP的成绩。精度逼近SSD321，但速度却较其快了3倍。对比旧的两个版本，YOLOv3在0.5IOU的检测标准下的表现要优秀很多。另外，与RetinaNet精度57.5 AP50，Titan X上用时198ms的表现相比，YOLOv3精度57.9 AP50，用时却只有51ms。换言之，相近的性能而YOLOv3却要快3.8倍。和往常一样，所有的代码都开源在：https://pjreddie.com/yolo/.

1.引言

        有时候，一年的时间会因为一些“琐事”而消耗殆尽，你有这种感受吧？所以，去年我没做什么研究，而是花了不少时间Twitter上，也玩了一把GANs。然后利用去年仅存的一点精力[1][12]，我对YOLO做了点改进。但是，老实说，这并不是什么大手笔，这只是一些可以让YOLO变得更好小更新，另外，我还帮别人做了一点研究。

        事实上，那是我们来这里的原因。我们的文章快交稿了[4]，文中引用了我在YOLO中做出的某些更新的内容，但这样的引用来源还不存在，所以就先写个技术报告吧！

        技术报告有个好处，就是它不需要长长 “引言”，我想此时，你们都知道我们为什么要写这个。读到引言的结尾，我相信你们会对文章的结构有所了解。首先我们会向你介绍YOLOv3的更新情况，然后我们会向你们展示我们做的怎么样，然后我们会告诉你们一些失败的尝试，最后我们要说说这次更新到底意味着什么。

                

图1 我们改编了Focal Loss论文[9]中的数据，绘制了此图。从图中可见，在性能相近时，Yolov3的运行速度明显快于其他检测模型。所有模型都是运行在M40或Titanx上，它们是非常相近的GPU。

2.更新

        所以这里就是YOLOv3的更新情况：我们几乎是从其他人那里获得更新的点子。当然我们也训练了一个比其他网络更好的新分类网络。我们将从头向你介绍，期望你能够得到完整的理解。

2.1边界框预测

        同YOLO9000一样，YOLOv3也使用数据集上边框聚类的结果来作为先验边框[15]。网络会为每个边界框预测4个坐标：tx、ty、tw和th。如果目标中心的所在网格与图像左上角的偏移是（cx, cy），并且它对应的先验边界框的宽和高为pw、ph，那么预测值将会由以下式子给出：