摘要：將圖像到作為輸入，輸出，即將圖片劃分為，每個單元格獨(dú)立檢測。類別損失當(dāng)有物體的中心點(diǎn)落在單元格中，此單元格就負(fù)責(zé)預(yù)測該物體。

YOLO是一個端到端的目標(biāo)檢測算法，不需要預(yù)先提取region proposal（RCNN目標(biāo)檢測系列），通過一個網(wǎng)絡(luò)就可以輸出：類別，置信度，坐標(biāo)位置，檢測速度很快，不過，定位精度相對低些，特別是密集型小目標(biāo)。

YOLO將圖像resize到448x448作為輸入，輸出7x7x30，即：將圖片劃分為7x7，每個單元格獨(dú)立檢測。這里需要注意，不是那種滑動窗口將每個單元格都輸入到網(wǎng)絡(luò)中進(jìn)行預(yù)測，這里的劃分只是物體中心點(diǎn)位置的劃分之用（劃分越多越準(zhǔn)確），物體的中心落在哪個單元格，就由那個單元格負(fù)責(zé)預(yù)測。說完7x7我們再說下另一個維度30，30=（2*5=20），其中“2：每個單元格預(yù)測數(shù)量（box數(shù)量）”，“5：（x,y,w,h,score）”,“20：模型可以預(yù)測20個種類”。

模型首先會將ImageNet作為訓(xùn)練集預(yù)訓(xùn)練模型，最終達(dá)到88%精度，然后使用遷移學(xué)習(xí)將預(yù)訓(xùn)練的模型應(yīng)用到當(dāng)前標(biāo)注的訓(xùn)練集進(jìn)行訓(xùn)練。模型輸出5維信息（x,y,w,h,score），使用Leaky Relu作為激活函數(shù)，全連接層后添加Dropout層防止過擬合。在得到輸出值之后，我們需要計(jì)算每個box與ground true的Iou值，然后通過非極大值抑制篩選box。

損失函數(shù)包含三部分分別是：坐標(biāo)損失，置信度損失（7x7x2），類別損失（7x7x20）。
坐標(biāo)損失：

我們使用SSE損失函數(shù)（就是MSE損失函數(shù)的累加版本），如圖所示我們在“w，h”中加了根號，加根號的原因是，“w，h”的損失在大框和小框之間“權(quán)重”應(yīng)該不同。因?yàn)?，對?yīng)圖像中較大的物體而言，box有些偏移一般并不會影響預(yù)測結(jié)果。但是對應(yīng)小物體而言，同樣的偏移可能會脫離預(yù)測目標(biāo)。
置信度損失：

如圖所示，損失函數(shù)分為兩部分：有物體，沒有物體，其中沒有物體損失部分還增加了權(quán)重系數(shù)。添加權(quán)重系數(shù)的原因是，對于一幅圖像，一般而言大部分內(nèi)容是不包含待檢測物體的，這樣會導(dǎo)致沒有物體的計(jì)算部分貢獻(xiàn)會大于有物體的計(jì)算部分，這會導(dǎo)致網(wǎng)絡(luò)傾向于預(yù)測單元格不含有物體。因此，我們要減少沒有物體計(jì)算部分的貢獻(xiàn)權(quán)重，比如取值為：0.5。
類別損失：

當(dāng)有物體的中心點(diǎn)落在單元格中，此單元格就負(fù)責(zé)預(yù)測該物體。

使用批標(biāo)準(zhǔn)化：隨著神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，網(wǎng)絡(luò)層的輸入分布會發(fā)生變動，逐漸向激活函數(shù)取值兩端靠攏，如：sigmoid激活函數(shù)，此時會進(jìn)入飽和狀態(tài)，梯度更新緩慢，對輸入變動不敏感，甚至梯度消失導(dǎo)致模型難以訓(xùn)練。BN，在網(wǎng)絡(luò)層輸入激活函數(shù)輸入值之前加入，可以將分布拉到均值為0，標(biāo)準(zhǔn)差為1的正態(tài)分布，從而使激活函數(shù)處于對輸入值敏感的區(qū)域，從而加快模型訓(xùn)練。此外，BN還能起到類似dropout的正則化作用，由于我們會有‘強(qiáng)拉’操作，所以對初始化要求沒有那么高，可以使用較大的學(xué)習(xí)率。

High Resolution Classifier：在介紹YOLO-v1的時候我們說到，模型需要先在ImageNet上預(yù)訓(xùn)練模型，因此，此時圖像輸入為224x224，使用遷移學(xué)習(xí)訓(xùn)練后我們的圖像輸入是448x448，因此模型需要適應(yīng)圖像分辨率的改變。在YOLO-v2中，我們在預(yù)訓(xùn)練模型中先224x224訓(xùn)練160個epoch，然后將輸入調(diào)整到448x448，再跑10個epoch，也就是在ImageNet數(shù)據(jù)集中兩種分辨率跑兩次。YOLO大神作者實(shí)現(xiàn)表明，這樣操作可以提高4%的map。

Convolutional With Anchor Boxes：
1，加入anchor boxes，提高box數(shù)量。
2，刪除全連接層和最后一個池化層，保留更高分辨率特征。
3，用416x416代替448x448輸入大小，使特征圖有奇數(shù)大小的高和寬。

Dimension Clusters：使用k-means的方式對訓(xùn)練集的bounding boxes做聚類，但是該方法存在不同尺寸的box誤差權(quán)重不同，我們希望誤差與尺寸沒有關(guān)系，因此通過IOU定義如下函數(shù)：

Multi-Scale Training：訓(xùn)練階段，采用32的倍數(shù)作為圖像尺寸動態(tài)輸入，如【320，352。。。608】。這種網(wǎng)絡(luò)訓(xùn)練方式使得相同網(wǎng)絡(luò)可以對不同分辨率的圖像做detection。

使用Darknet-19作為后端網(wǎng)絡(luò)：

YOLO-v3結(jié)構(gòu)圖以來自木盞，表示感謝，也歡迎關(guān)注他的博客。

DBL:指Darknetconv2d_BN_Leaky。
resn：指：n代表數(shù)字，有res1，res2, … ,res8等等，表示這個res_block里含有多少個res_unit，使用殘差結(jié)構(gòu)可以讓網(wǎng)絡(luò)更深。
concat：張量拼接。將darknet中間層和后面的某一層的上采樣進(jìn)行拼接。拼接的操作和殘差層add的操作是不一樣的，拼接會擴(kuò)充張量的維度，而add只是直接相加不會導(dǎo)致張量維度的改變。

后端網(wǎng)絡(luò)使用darknet-53：

我們發(fā)現(xiàn)，在YOLO-v3網(wǎng)絡(luò)中沒有池化層和全連接層，那么張量尺寸的變化是通過改變卷積核步長來實(shí)現(xiàn)。同YOLO-v2一樣，輸出尺寸為輸入尺寸的1/32，即：一般要求輸入圖像尺寸是32的倍數(shù)。

類別預(yù)測由softmax改為logistic（使用sigmoid）：用于處理預(yù)測物體之間存在包含關(guān)系問題，解決多標(biāo)簽對象支持。比如woman和person，softmax輸出：person，logistic輸出兩者。

使用多尺度特征預(yù)測物體：

上圖是YOLO-v3在COCO數(shù)據(jù)集上使用聚類得到的9種先驗(yàn)框，一個代表寬度一個代表高度。在不同的感受野中使用不同的先驗(yàn)框。如果先驗(yàn)框不是最佳的，即使超過預(yù)設(shè)定的閾值，也不會進(jìn)行預(yù)測。logistic回歸用來從9個先驗(yàn)框中找到最佳的那個。

YOLO好不好，我們就以一張圖作為總結(jié)吧：

祝大家2018年圣誕節(jié)快樂！