yoloV3以V1，V2為基礎進行的改進，主要有：利用多尺度特征進行目標檢測；先驗框更豐富；調整了網絡結構；對象分類使用logistic代替了softmax,更適用于多標簽分類任務。

1.算法簡介

YOLOv3是YOLO (You Only Look Once)系列目標檢測算法中的第三版，相比之前的算法，尤其是針對小目標，精度有顯著提升。

yoloV3的流程如下圖所示，對于每一幅輸入圖像，YOLOv3會預測三個不同尺度的輸出，目的是檢測出不同大小的目標。

2.多尺度檢測

通常一幅圖像包含各種不同的物體，并且有大有小。比較理想的是一次就可以將所有大小的物體同時檢測出來。因此，網絡必須具備能夠“看到”不同大小的物體的能力。因為網絡越深，特征圖就會越小，所以網絡越深小的物體也就越難檢測出來。

在實際的feature map中，隨著網絡深度的加深，淺層的feature map中主要包含低級的信息（物體邊緣，顏色，初級位置信息等），深層的feature map中包含高等信息（例如物體的語義信息：狗，貓，汽車等等）。因此在不同級別的feature map對應不同的scale，所以我們可以在不同級別的特征圖中進行目標檢測。如下圖展示了多種scale變換的經典方法。

(a) 這種方法首先建立圖像金字塔，不同尺度的金字塔圖像被輸入到對應的網絡當中，用于不同scale物體的檢測。但這樣做的結果就是每個級別的金字塔都需要進行一次處理，速度很慢，在SPPNet使用的就是這種方式。

(b) 檢測只在最后一層feature map階段進行，這個結構無法檢測不同大小的物體

(c) 對不同深度的feature map分別進行目標檢測。SSD中采用的便是這樣的結構。這樣小的物體會在淺層的feature map中被檢測出來，而大的物體會在深層的feature map被檢測出來，從而達到對應不同scale的物體的目的，缺點是每一個feature map獲得的信息僅來源于之前的層，之后的層的特征信息無法獲取并加以利用。

(d) 與(c)很接近，但不同的是，當前層的feature map會對未來層的feature map進行上采樣，并加以利用。因為有了這樣一個結構，當前的feature map就可以獲得“未來”層的信息，這樣的話低階特征與高階特征就有機融合起來了，提升檢測精度。在YOLOv3中，就是采用這種方式來實現目標多尺度的變換的。

3.網絡模型結構

在基本的圖像特征提取方面，YOLO3采用了Darknet-53的網絡結構（含有53個卷積層），它借鑒了殘差網絡ResNet的做法，在層之間設置了shortcut，來解決深層網絡梯度的問題，shortcut如下圖所示：包含兩個卷積層和一個shortcut connections。

yoloV3的模型結構如下所示：

整個v3結構里面，沒有池化層和全連接層，網絡的下采樣是通過設置卷積的stride為2來達到的，每當通過這個卷積層之后圖像的尺寸就會減小到一半。殘差模塊中的1×，2×，8×，8× 等表示殘差模塊的個數。

4.先驗框

yoloV3采用K-means聚類得到先驗框的尺寸，為每種尺度設定3種先驗框，總共聚類出9種尺寸的先驗框。

在COCO數據集這9個先驗框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。在最小的(13x13)特征圖上（有最大的感受野）應用較大的先驗框(116x90)，(156x198)，(373x326)，適合檢測較大的對象。中等的(26x26)特征圖上（中等感受野）應用中等的先驗框(30x61)，(62x45)，(59x119)，適合檢測中等大小的對象。較大的(52x52)特征圖上（較小的感受野）應用,其中較小的先驗框(10x13)，(16x30)，(33x23)，適合檢測較小的對象。

直觀上感受9種先驗框的尺寸，下圖中藍色框為聚類得到的先驗框。黃色框式ground truth，紅框是對象中心點所在的網格。

5.ligistic回歸

預測對象類別時不使用softmax，而是被替換為一個1x1的卷積層+logistic激活函數的結構。使用softmax層的時候其實已經假設每個輸出僅對應某一個單個的class，但是在某些class存在重疊情況（例如woman和person）的數據集中，使用softmax就不能使網絡對數據進行很好的預測。

6.yoloV3模型的輸入與輸出

YoloV3的輸入輸出形式如下圖所示：?

輸入416×416×3的圖像，通過darknet網絡得到三種不同尺度的預測結果，每個尺度都對應N個通道，包含著預測的信息；

每個網格每個尺寸的anchors的預測結果。

YOLOv3共有13×13×3 + 26×26×3 + 52×52×3個預測 。每個預測對應85維，分別是4（坐標值）、1（置信度分數）、80（coco類別概率）。

---

總結

1.yoloV3的多尺度檢測方法

在YOLOv3中采用FPN結構來提高對應多尺度目標檢測的精度，當前的feature map利用“未來”層的信息，將低階特征與高階特征進行融合，提升檢測精度。

2.yoloV3模型的網絡結構

• 以darknet-53為基礎，借鑒resnet的思想，在網絡中加入了殘差模塊，利于解決深層次網絡的梯度問題
• 整個v3結構里面，沒有池化層和全連接層，只有卷積層
• 網絡的下采樣是通過設置卷積的stride為2來達到的

3.yoloV3模型先驗框設計的方法

采用K-means聚類得到先驗框的尺寸，為每種尺度設定3種先驗框，總共聚類出9種尺寸的先驗框。

4.yoloV3模型為什么適用于多標簽的目標分類

預測對象類別時不使用softmax，而是使用logistic的輸出進行預測

5.yoloV3模型的輸入輸出

對于416×416×3的輸入圖像，在每個尺度的特征圖的每個網格設置3個先驗框，總共有 13×13×3 + 26×26×3 + 52×52×3 =?10647?個預測。每一個預測是一個(4+1+80)=85維向量，這個85維向量包含邊框坐標（4個數值），邊框置信度（1個數值），對象類別的概率（對于COCO數據集，有80種對象）。

總結

以上是生活随笔為你收集整理的智慧交通day02-车流量检测实现11：yoloV3模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。