YOLOV3——你总能在这找到你想要的答案

本文主要是介绍YOLOV3——你总能在这找到你想要的答案，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一：前言：

二：更快，更强

网络结构图

其他基础操作：

Darknet53的由来

三：最明显的特点：

四：多scale

五：为什么vgg越深效果反而越差了？

六：Softmax的改进

七：数据的标注

所有项目代码链接

一：前言：

Yolov3是2018年发明提出的，这成为了目标检测one-stage中非常经典的算法，包含Darknet-53网络结构、anchor锚框、FPN等非常优秀的结构。

以下是YOLOv3的主要改进和特点：

多尺度预测：YOLOv3引入了三种不同尺度的检测层，分别用于检测不同大小的目标。这使得YOLOv3能够有效地检测不同尺寸的目标，从小物体到大物体都能有较好的表现。
Darknet-53骨干网络：YOLOv3采用了一个称为Darknet-53的更深的骨干网络作为特征提取器。相比于之前的版本，Darknet-53具有更多的层和更深的网络结构，可以提取更高层次的语义特征，从而提高目标检测的准确性。
使用多尺度特征融合：YOLOv3通过在不同层次的特征图上进行特征融合，可以融合不同尺度的特征信息。这种多尺度特征融合有助于检测不同大小的目标，并提高目标检测的准确性。
更精细的边界框预测：YOLOv3对边界框的预测进行了改进，引入了不同大小的锚框，并使用卷积层来预测边界框的偏移量。这使得YOLOv3可以更准确地预测目标的边界框。
使用多尺度训练和推理：YOLOv3在训练和推理阶段都使用了多尺度的策略。在训练时，YOLOv3会在不同尺度的输入图像上进行训练，以增强模型对不同大小目标的适应能力。在推理时，YOLOv3可以接受不同尺度的输入图像，并生成相应尺度的预测结果。

二：更快，更强

网络结构图

上图三个蓝色方框内表示Yolov3的三个基本组件：

CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。
Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用，因此经过5次Res模块后，得到的特征图是608->304->152->76->38->19大小。

其他基础操作：

Concat：张量拼接，会扩充两个张量的维度，例如26*26*256和26*26*512两个张量拼接，结果是26*26*768。Concat和cfg文件中的route功能一样。
add：张量相加，张量直接相加，不会扩充维度，例如104*104*128和104*104*128相加，结果还是104*104*128。add和cfg文件中的shortcut功能一样。

Darknet53的由来

每个ResX中包含1+2*X个卷积层，因此整个主干网络Backbone中一共包含1+（1+2*1）+（1+2*2）+（1+2*8）+（1+2*8）+（1+2*4）=52，再加上一个FC全连接层，即可以组成一个Darknet53分类网络。不过在目标检测Yolov3中，去掉FC层，不过为了方便称呼，仍然把Yolov3的主干网络叫做Darknet53结构。

三：最明显的特点：

1、特征做的更细致，融入多持续特征图信息来预测不同规格物体
2、先验框更丰富了，3种scale，每种3个规格，一共9种
3、 softmax改进，预测多标签任务

四：多scale

经典的特征金字塔：第一个计算量太大速度太慢了，第二个也就是右边那个可以当作yolov1版本

13岁能做的好，但是23，56岁的人未必能玩的好。。

正确的做法：

五：为什么vgg越深效果反而越差了？

14年，Vgg到了19层后就最好了，后面越深越差！！！！因为没有resnet那样特征融合，而darknet其实就是resnet的版本

整体网络介绍。。Darknet-53网络结构中并没有使用池化（pooling）层和全连接层。相反，Darknet-53主要使用卷积层和残差连接（shortcut）（residual connections）来构建网络。

与V2不一样，V2是不管你的尺度，我都用聚类生成5个锚框，但是V3是先写成特征图，然后根据不同的感受野生成对应的尺度的候选框。

六：Softmax的改进

之前是如果你预测的类被是猫，那么就在这20个类别里面找到猫，然后计算他们的损失。但是在这里猫的种类有很多种，猫，大猫，小猫........

那么改进的softmax就是设置阈值，取出多标签的目标：

先存起来

七：数据的标注

以后也是，每次标注的时候，也已经把坐标归一化了，归一化可以提高数值稳定性：在一些数值计算中，较大或较小的数值范围可能导致数值不稳定性，例如出现溢出或下溢的情况。通过归一化，可以将数值范围缩放到更稳定的区间，有助于数值计算的稳定性和数值精度。也可以加速模型收敛：某些优化算法（例如梯度下降）对输入数据的尺度敏感。如果数据的尺度差异较大，优化算法可能需要更多的迭代才能达到收敛，而归一化可以加速模型的收敛过程，减少训练时间。