YOLO(You Only Look Once)算法原理

前言 ：详细介绍了yolo系列目标检测算法的原理和发展过程。

系列：
【YOLO系列】YOLO.v1算法原理详解
【YOLO系列】YOLO.v2算法原理详解
【YOLO系列】YOLO.v3算法原理详解
【YOLO系列】YOLO.v4算法原理详解
【YOLO系列】YOLO.v5算法原理详解

3. YOLO.v3

3.1 基本概述

论文参考：YOLOv3:An Incrementatal Improvement

3.2 算法改进

3.2.0 网络架构

整体网络架构如下图所示：

简易版：

详细版：

相较于 v2，改进点主要集中在一下方面

• 特征提取网络
• 多尺度检测
• 分类器
• 分类损失

注意 ：

1. 此时 yolov3 论文中还没有提出 backbone、neck、head 等概念。
2. 以输入图像 $416\times 416\times 3$ 为例，数据变化如上图所示。

3.2.1 特征提取网络

特征提取网络使用了更深的 DarkNet-53, 网络中引入了残差结构。

3.2.2 多尺度检测

在特征提取过程中，即 Backbone ，从上图中可以看到，
过程中进行了 5 次下采样。

下采样是通过 Res_n 结构中 CBL 卷积操作来实现，即设定 stride = 2。

其中，最终使用了 32倍、16倍、8倍 下采样后的提取到的特征，对应于后面的 output1, output2, output3 ，从而实现小、中、大目标的检测。

3.2.3 分类器

分类器不再使用 Softmax，主要考虑到 Softmax 无法进行多标签分类，同时Softmax 可以被独立的多个 Logistic 分类器替代。

3.2.4 分类损失

分类损失不再使用均方误差，而使用 binary cross-entropy loss，即二分类交叉熵损失。

3.3 具体实现

2.3.1 卷积网络结构(DarkNet-53)

论文所用卷积神经网络结构，即Backbone 是基于 DarkNet，确切地说是 DarkNet-53。

完整网络如下所示

同样的，yolo v3 使用了图中蓝色框选位置的结构。

黑色框选位置即为 Res_n 单元。

3.4 总结

• yolo v3 更改了特征提取网络，进行多尺度检测，建构出了 yolo 系列的经典框架。后续 v4, v5 基本都是在此框架上进行改动的。
• yolo v3 是 yolo 系列的经典版本。达到了一个里程碑。也使得 yolo 在目标检测任务得到广泛实践。