[YOLO模型]（4）YOLO V3的介绍

YOLO V3

一、模型思想

        作者 Redmon 又在 YOLOv2 的基础上做了一些改进：

• YOLO V3最大的改进就是网络架构，特征提取部分采用Darknet-53网络结构代替原来的Darknet-19。
• 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。
• 先验框更丰富，共9个，分为小、中、大三种scale，每种有三个规格。
• 分类方法使用Logistic分类器代替了Softmax，在兼顾实时性的同时保证了目标检测的准确性。

二、模型性能

相较于其他的网络模型，YOLO V3有着显著的优越性以及高效性：

三、改进的地方

1. 三种scale

2. scale变换经典方法

不太理想的两种方法：

1. 金字塔：每层特征图卷积预测结果。
2. 单一：将多层特征图融合在一起，这样就和普通的卷积神经网络一样了，没什么意义。

• 上述两种方法有一个缺点：不利于yolo的检测速度。

理想方法：

• 从大的融合向小的，接着小的返回影响大的特征图输出：

3. 残差连接

残差网络最大特点：可以搭建更大、更深层次的网络。

引入ResNet的思想，堆叠更多的层来进行提取：

4. 核心网络架构

YOLO V3采用了Darknet-53作为骨干网络。Darknet-53是一个基于ResNet残差网络思想的深度学习模型，包含53个卷积层，每个卷积层后跟随批量归一化层和Leaky ReLU激活函数。这种结构使得网络在提取特征时更加高效，同时避免了过拟合的问题。

特点：没有池化层和全连接层，只有卷积层。

(1) 结构

(2) 输出与先验框关系

从上方可以发现，网络结构共有三个输出：

YOLO3延续了K-means聚类得到先验框的尺寸方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。

先验框的分配情况：

网络下采样输入图像一直到第一个检测层，步幅是32；然后，将此层上采样2倍与上面的同样大小的特征图进行按通道堆叠；第二个检测层按步幅16形成；同样地，相同的上采样过程，最后的检测层步幅为8。在每个尺度上，每个cell使用三个先验框预测三个边界框，共9个先验框。

5. Logistic分类器替代Softmax

YOLOv3舍弃了传统的Softmax分类器，改用独立Logistic回归对每个类别进行分类预测，核心改进如下：

• 多标签支持：每个类别使用Sigmoid激活函数，输出独立的概率值（0-1），允许目标同时属于多个类别。例如，一张图像中的“消防栓”可同时被标记为“公共设施”和“金属物体”。
• 阈值灵活设定：通过调整类别概率阈值（如0.5），可适应不同场景的检测需求。
• 计算优化：Logistic分类器无需计算Softmax的全局归一化，计算量减少约30%，推理速度略有提升。
  

四、总结

本篇介绍了：

• YOLO V3 的网络架构只有卷积层，且有三个输出。
• YOLO V3 先验框共有9个，分为小、中、大三种scale，每种有三个规格。
• 引入残差网络思想，搭建更深层次的网络。
• 使用Logistic分类器替代Softmax，适用于多分类的任务。