深度学习之YOLO系列YOLOv3
简介
上两篇博客我们介绍了YOLOv1与v2，还说了目标检测算法与解释了YOLO评价指标的一些专业。今天我们来继续探索YOLOv2的模型
深度学习之YOLO系列YOLOv2
深度学习之YOLO系列YOLOv1
深度学习之YOLO系列了解基本知识
一、YOLOv3
- 终于到 V3 了，最大的改进就是网络结构，使其更适合小目标检测
- 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
- 先验框更丰富了，3 种 scale，每种 3 个规格，一共 9 种
- softmax 改进，预测多标签任务
1、3个scale
为了能检测到不同大小的物体，设计了三个尺度scale
scale变换的经典方法：
不同特征图融合后进行预测：YOLOv3
2、残差连接
YOLOv3使用了ResNet残差网络的思想，堆叠更多的层再进行特征提取
二、核心网络架构
- 没有池化和全连接层，全部卷积
- 下采样通过 stride 为 2 实现
- 3 种 scale，更多先验框
- 基本上当下经典做法全融入了
没有池化层和全连接层，全部卷积，下采样通过stride卷积核滑动步长为2来实现，使用3种scale尺度，更多的先验框
1、输入映射到输出
2、9种先验框
YOLOv2使用了5个先验框，这里的v3使用了9种先验框
例如，13*13的特征图上使用(116x90)、(156x198)、(373x326)的先验框
26*26的特征图上使用(30x61)、(62x45)、(59x119)的先验框
52*52的特征图上使用(10x13)、(16x30)、(33x23)的先验框
大的先验框在感受野大的特征图中检测
9种尺度的先验框 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。在COCO数据集这9个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。 分配上，在最小的13*13特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的26*26特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的52*52特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。
3、COCO数据集介绍
COCO数据集是一个可用于图像检测（image detection），语义分割（semantic segmentation）和图像标题生成（image captioning）的大规模数据集。它有超过330K张图像（其中220K张是有标注的图像），包含150万个目标，80个目标类别（object categories：行人、汽车、大象等），91种材料类别（stuff categoris：草、墙、天空等），每张图像包含五句图像的语句描述，且有250,000个带关键点标注的行人。
下载网址：官网下载链接
4、Logistic分类器
YOLOv3用多个独立的Logistic分类器替代了传统目标检测模型中常用的Softmax分类层
Softmax函数将神经网络的输出转换为概率分布，所有类别的概率之和为1。然而，Softmax函数的是每个样本只属于一个类别。但在更复杂的目标检测场景中，一个物体可能同时属于多个类别，例如一个人可能同时被标记为“人”和“行人”。这种情况下，Softmax函数就不再适用，因为它会强制每个样本只属于一个类别。
在Logistic分类器（逻辑回归）中，每个类别的预测是独立进行的。对于输入样本，分类器会为每个类别计算一个概率值，表示该样本属于该类别的可能性。
Logistic分类器通常使用Sigmoid函数（也称为Logistic函数）作为激活函数。Sigmoid函数将神经网络的输出映射到(0, 1)区间，表示样本属于某个类别的概率。Sigmoid函数的数学表达式为如下图，其中，z是神经网络的原始输出
假设有一个图像分类任务，需要识别图像中是否包含“猫”、“狗”和“鸟”三种动物。使用Logistic分类器时，模型会为每个类别（猫、狗、鸟）分别计算一个概率值。例如： 图像A：猫的概率=0.8，狗的概率=0.3，鸟的概率=0.1 图像B：猫的概率=0.2，狗的概率=0.7，鸟的概率=0.6 设定阈值为0.5，则： 图像A会被标记为“猫”（因为猫的概率>0.5），而不会被标记为“狗”或“鸟”（因为它们的概率<0.5）。 图像B会被标记为“狗”和“鸟”（因为它们的概率都>0.5），而不会被标记为“猫”（因为猫的概率<0.5）。