2021SC@SDUSC山东大学软件学院软件工程应用与实践--YOLOV5代码分析（十二）yolov3

2021SC@SDUSC

目录

前言

The Deal

Bounding Box Prediction

Class Prediction

Predictions Across Scales

Feature Extractor

Training

结果

总结

前言

为了更好的理解yolov5的代码，我在代码解析的中间穿插进其他系列的yolo，此篇介绍yolov3。

yolov3论文地址https://pjreddie.com/media/files/papers/YOLOv3.pdf

The Deal

yolov3借鉴了许多其他方法，并且训练了一个更好的分类器。

Bounding Box Prediction

和yolov2一样，yolov3用dimension clusters来作为anchor boxes，对每个box，网络会预测四个值，t_x,t_y,t_w,t_h，左上角的坐标为(c_x,c_y)，先验框的宽和高为(p_w,p_h)，那么预测框的位置的宽高为：

 训练中用平方和作为损失，设GT为t_*，预测值为t，那么梯度就是t_* - t。

yolov3用logistic回归来预测每个bbox的置信度，当当前的bbox覆盖GT的部分比其它bbox都要多，那么值为1，如果不是最好的但是超过了设定的阈值，直接忽略，这里阈值设置为0.5。

Class Prediction

每个box预测出bbox可能包含的多类别标签，yolov3不使用softmax而是直接用logistic分类器，训练中用交叉熵作为损失函数。

当使用softmax代表着限制了每个bbox只能有一个标签，而事实是一个人可能即是woman也是person。

Predictions Across Scales

 yolov3预测三个不同尺度的box，类似于金字塔的概念，抽取图像的特征。在base特征抽取网络后面添加了一些卷积层，最后的网络用来预测bbox，类别标签和置信度。在COCO数据集中，作者在每个尺度上预测了3个box，张量的维度就是N*N*[3*(4+1+80)]，4是box的offsets，1是置信度，80个类别。

接下来作者从前面两层的网络上采样两倍，并将其与早期的网络相融合来获得更多语义信息，然后增加几层卷积层来处理这些结合的信息，最终预测出一个相似的张量。

第三个尺度执行同样的操作，第三个尺度受益于前面所有的计算以及网络早期的细粒度特征。

yolov3依旧选择k-means聚类来决定先验bbox，yolov3选择9个簇和3个尺度，并在各个尺度上均匀划分集群。在COCO数据集上9个簇分别为(10*13),(16*30),(33*23),(30*61),(62*45),(59*119),(116*90),(156*198),(373*326)。

Feature Extractor

YOLO3v3用了一个新的网络来进行特征抽取，Darnet-53，是从yolov2，daeknet-19和残差网络之间的混合方法，结构如图

这个网络比Darknet-19更好，并且比ResNet-101和ResNet-152效率更好。下面是在ImageNet上的结果

Training

 作者在没有使用hard negative mining或其他情况对全部数据进行训练，使用了大量的数据增强、BN。使用Darknet网络来训练和测试。

结果

总结

 yolov3使用了Darknet-53作为backbone，并且在3个不同尺度上进行预测，最终达到了更好的结果。