YOLO v3有哪些新特點？
本文編譯自medium上的文章：What’s new in YOLO v3? 略有刪減。 點選閱讀原文，可以直達原文，需要翻牆哦！
You only look once（你只需看一次），或者YOLO，是目前比較快的目標物件檢測演算法之一。雖然它不再是最精確的目標物件檢測演算法，但是當您需要實時檢測時，它是一個非常好的選擇，不會損失太多精確度。
2018年上半年，YOLO的第三個版本問世，這篇文章旨在解釋YOLO v3中引入的變化。這不是一個解釋YOLO是什麼的文章。 我假設您知道YOLO v2是如何工作的。如果情況並非如此，我建議您檢視Joseph Redmon等人的論文，瞭解YOLO如何運作。
YOLO v3: 更好，但沒有更快，更強
YOLO v2紙的官方命名為“YOLO9000：更好，更快，更強”，看起來像一種兒童喝的健康牛奶飲品，而不是目標物件檢測演算法。
YOLO 9000曾經是最快的，也是最準確的演算法之一。然而，隨著RetinaNet這樣演算法的出現，它不再是精確度的。 然而，它仍然是最快的演算法之一。
為了提高精確度，YOLO v3在速度方面做了妥協。 雖然早期版本在Titan X上可以以45 FPS執行，但當前版本的時鐘頻率約為30 FPS。這與其Darknet底層架構的複雜性增加有關。
Darknet-53
YOLO v2使用了自定義深度架構darknet-19，最初是19層網路，外加11層用於物件檢測。採用30層架構的YOLO v2，在小物件檢測上經常遇到麻煩。這歸因於層對輸入進行了下采樣，導致細粒度特徵的丟失。為了解決這一問題，YOLO v2使用了特性對映，連線了前一層的特徵對映以捕獲低階特徵。
然而，YOLO v2的架構仍然缺少一些最重要的元素，這些是目前大多數最新演算法的主要元素。比如沒有剩餘塊，沒有跳連線，也沒有上取樣。而YOLO v3包含所有這些。
首先，YOLO v3使用了Darknet的變體，最初在Imagenet上訓練出53層網路。然後在其上堆疊了53層進行檢測任務，這樣YOLO v3就擁有106層完全卷積的底層架構
三種尺度的檢測
新架構值得誇耀的有殘差跳連線（residual skip connections）和上取樣。v3最突出的特點是它可以在三種不同的尺度上進行檢測。YOLO是一個全卷積網路，它的最終輸出是通過在特徵對映上應用1 x 1核生成的。在YOLO v3中，通過在網路中三個不同位置的三種不同大小的特徵圖上應用1×1核來完成檢測。
檢測核的形狀是1 × 1 ×（B ×（5 + C））。這裡B是特徵對映中每個單元可以預測的邊界框的數量，“5”表示4個邊界框屬性和1個物件置信度，C是類別數目。在使用COCO訓練的YOLO v3中，B = 3且C = 80，因此核大小為1 x 1 x 255。由該核生成的特徵對映具有與先前特徵對映相同的高度和寬度，並且具有沿著如上所述的深度的檢測屬性。
圖片源自: blog.paperspace.com/how-to-impl…
在進一步討論之前，我要指出網路的步幅，即一個層被定義為它對輸入進行下采樣的比率。在以下示例中，我假設我們有一個大小為416 x 416的輸入影象。
YOLO v3在三個尺度上進行預測，分別對輸入影象進行32、16和8的尺寸下采樣。
第一次檢測由第82層進行。對於前81層，影象由網路進行下采樣，使得第81層具有32的步幅。如果我們的影象大小為416×416，則得到的特徵對映為13×13的大小。這裡使用1 x 1檢測核，為我們提供13 x 13 x 255的檢測特徵對映。
接下來，來自第79層的特徵對映經歷幾個卷積層之後，2倍上取樣增加到26×26的維度。然後，該特徵對映與來自第61層的特徵對映做深度連線。再然後，組合的特徵對映再次經過幾個1×1卷積層以融合來自較早層（61）的特徵。通過第94層進行第二次檢測之後，產生26×26×255的檢測特徵對映。
再次重複類似的過程，其中來自層91的特徵對映在與來自層36的特徵對映做深度連線之前經歷少量卷積層。像之前一樣，接下來幾個1×1卷積層來融合來自先前層（36）的資訊。我們在第106層進行最後一個3倍增，產生尺寸為52 x 52 x 255的特徵對映。
檢測較小的目標物件效果更好
不同層次的檢測有助於解決小物體的檢測問題，這是YOLO v2的常見問題。上取樣圖層與先前圖層連線有助於保留細粒度特徵，這有利於檢測小物件。
13 x 13層負責檢測大型目標物件，而52 x 52層檢測較小的目標物件，26 x 26層檢測中等大小目標物件。
選擇錨點框
YOLO v3總共使用了9個點框。每個尺度下三個。如果您在自己的資料集上訓練YOLO，則應該使用K-Means聚類來生成9個錨點。
然後，按照尺寸的降序排列錨點。為第一個尺度分配三個最大的錨點，為第二個尺度分配下三個錨點，為第三個尺度分配最後三個錨點。
每個影象有更多邊界框
如果輸入影象大小相同，YOLO v3比YOLO v2預測更多的邊界框。例如，原始解析度為416 x 416時，YOLO v2預測13 x 13 x 5 = 845個框。在每個網格單元，使用5個錨點檢測到5個框。
而YOLO v3預測3種不同尺度的方框。對於416 x 416的相同影象，預測框的數量是10647。這意味著YOLO v3是YOLO v2預測的盒子數量的10倍。您可以很容易想到為什麼它比YOLO v2慢。在每個尺度上，每個網格可以使用3個錨來預測3個框。由於有三個尺度，所以總共使用的錨點框數量為9個，每個尺度3個。
損失函式的變化
早些時候，YOLO v2的損失功能看起來像這樣。
圖片來自: pjreddie.com/media/files…
我知道這個公式很可難，但請注意最後三個式子。其中，第一個懲罰負責預測物件的邊界框的物件分數預測（理想情況下這些分數應為1），第二個用於沒有物件的邊界框（理想分數應該為零），最後一個懲罰預測物件的邊界框的類預測。
YOLO v2中的最後三個項是平方誤差，而在YOLO v3中，它們已經被交叉熵誤差項所取代。換句話說，現在通過邏輯迴歸預測YOLO v3中的物件置信度和類別預測。
當我們訓練檢測器時，對於每個真正的框，我們分配一個邊界框，其錨點與真正的框最大重疊。
不再用softmax分類
YOLO v3現在對影象中檢測到的物件執行多標記分類。
在早期的YOLO中，作者習慣於進行類別softmax，將具有最高得分的類別作為包含在邊界框中的目標物件的類別。這在YOLO v3中得到了修改。
Softmax分類依賴於類別是互斥的假設，簡單地說，如果一個物件屬於一個類別，那麼它就不屬於另一個類別。這在COCO資料集中工作正常。
但是，當我們在資料集中有Person和Women之類的類別時，上述假設就失效了。這就是為什麼YOLO的作者沒有采用softmax分類的原因。相反，使用邏輯迴歸預測每個類別分數，並且使用閾值來預測物件的多個標籤。分數高於此閾值的類別將分配給該框。
基準測試
YOLO v3與其他先進的探測器（如RetinaNet）表現相當，且在COCO mAP 50基準測試中速度更快。它也比SSD及其的變體更好。以下是論文中給出的效能對比。
YOLO與RetinaNet在COCO 50基準測試中的表現
但是，但是，但是，YOLO在COCO基準測試中失去了更高的IoU值，用於拒絕檢測。我不打算解釋COCO基準測試是如何工作的，因為它超出了本文範圍，但COCO 50基準測試中的50是衡量預測的邊界框與物體的真正框的對齊程度。這裡50對應於0.5 IoU。如果預測和真正框之間的IoU小於0.5，則預測被分類為誤定位並標記為假陽性。
在基準測試中，數值越高（例如，COCO 75），框需要更完美地對齊，以免被評估指標拒絕。這是YOLO被RetinaNet超越的地方，因為它的邊框不像RetinaNet那樣對齊。下面是一個詳細的更多基準測試表格。
RetinaNet在COCO 75基準測試中的表現優於YOLO
體驗一下
您可以使用此Github倉庫中提供的程式碼在影象或視訊上執行檢測器。 該程式碼需要PyTorch 0.3+ 、OpenCV 3和Python 3.5。下載程式碼後，您可以在其上進行各種試驗。
不同的尺度
python detect.py --scales 1 --images imgs/img3.jpg
複製程式碼在尺度為1的檢測中，我們看到有些大的物體被挑選，但漏檢測了幾輛車。
python detect.py --scales 2 --images imgs/img3.jpg
複製程式碼在尺度2上，我們沒有檢測到任何目標物件
python detect.py --scales 3 --images imgs/img3.jpg
複製程式碼在最大尺度3上，可以看到只檢測到了小目標物件，這些未在尺度為1時檢測到。
不同的輸入解析度
python detect.py --reso 320 --images imgs/imgs4.jpg
複製程式碼輸入影象解析度：320 x 320
python detect.py --reso 416 --images imgs/imgs4.jpg
複製程式碼輸入影象解析度：416 x 416
python detect.py --reso 608 --images imgs/imgs4.jpg
複製程式碼這裡，我們檢測到的椅子比以前少了一把
python detect.py --reso 960 --images imgs/imgs4.jpg
複製程式碼這裡，檢測器做了一個錯誤的檢測：右邊的“人物”
從上面可以看到，較大的輸入解析度沒有多大幫助，但它們可能有助於檢測小物體的影象。另一方面，較大的輸入解析度會增加推斷時間。這是一個超引數，需要根據應用進行調整。
您還可以試驗其他指標，例如批量大小、物件置信度和NMS閾值。ReadMe檔案中有詳細的說明。