【深度學習】目標檢測之YOLOv3算法

YOLO系列目標檢測算法官方代碼

https://pjreddie.com/darknet/yolo/

YOLOv3

網絡結構

Darknet-53：
共有53個卷積層，進行32倍下采樣

Darknet-53爲了加深網絡，也採取的類似ResNet的跳接結構，但和ResNet的殘差塊結構不同：

• ResNet的下采樣過程，在與上一個卷積組鄰接的殘差塊中實現。【深度學習】ResNet系列網絡結構
• Darknet-53的下采樣過程，是在Residual跳接之前，用一個單獨的卷積層實現的。

Darknet-53中所有的Residual都是如上圖所示的結構

YOLOv3保留Darknet-53標準結構Avgpool以上的部分（不包括Avgpool）。在此基礎上和SSD一樣，在三個不同size的Feature Map上接Detection Head。此外，仿照FPN，較深層的Detection Head的Feature Map經過上採樣，和較淺層的Detection Head的Feature Map按channel方向進行拼接。

YOLOv3網絡結構如下：

anchor的編解碼

YOLOv3的編解碼和YOLOv2的編解碼方式相同：

先驗：

• 每個Detection Head的最後一個卷積層的輸入Feature Map（也就是使用anchor的Feature Map）的每一個cell的左上角點座標$c_x$、$c_y$（$c_x、c_y=0,1,2,...$）
• anchor的width和height，$p_x$、$p_h$。注意，YOLOv3中的anchor和YOLOv2、SSD中的anchor都不相同。
  SSD中的anchor，width和height是相對於原圖像的size進行歸一化後的值，其值範圍在$0$到$1$之間；
  YOLOv2中的anchor，width和height是以使用anchor的Feature Map的width和heigth爲基準的絕對的值，其值範圍在$0$到$Featurn Map的width（height）$之間；
  YOLOv3中的anchor，width和height是以初始輸入圖像（第一個卷積層的輸入tensor）的witdh和height爲基準的絕對的值，其值範圍在$0$到$初始輸入圖像的width（height）$之間。(YOLOv3的anchor的值，除以各自所在的Feature Map的下采樣倍數，就和YOLOv2的anchor的值定義相同了)

YOLOv3通過COCO數據集的ground truth box的大小，聚類得到9個anchor的值。每個Detection Head使用其中的三個。具體值如下：

最淺的Detection Head：

(10,13), (16,30), (33,23),

中間的Detection Head：

(30,61), (62,45), (59,119),

最深的Detection Head：

(116,90), (156,198), (373,326)

輸出：
和YOLOv2相同，YOLOv3每個cell生成三個anchor（YOLOv2是五個），每個anchor對應自己的輸出：4(center_x, center_y, width, height) + 1(置信度) + num_classes(和SSD不同，這個num_classes不包括background，SSD就是通過增加一個background起到YOLO中置信度的作用)

center_x：$t_x$
center_y：$t_y$
width：$t_w$
height：$t_h$
置信度：$t_o$

編碼方式：
$b_x=Sigmoid(t_x) + c_x$
$b_y=Sigmoid(t_y)+c_y$
$b_w=p_xe^{t_w}$
$b_h=p_he^{t_h}$
$b_o=Sigmoid(t_o)$

label：
$g_x$、$g_y$、$g_w$、$g_h$：原始圖像上的ground truth box的中心點座標、width以及height歸一化後的值（注意計算loss時，$g_x$、$g_y$要乘預測所使用的Feature Map的width、height；$g_w$、$g_h$要乘初始輸入圖像的width、height）

置信度label：計算方式和YOLOv2相同。【深度學習】目標檢測之YOLOv2算法&6D姿態估計之YOLO-6D算法

損失函數

和YOLOv2相同，計算損失函數前，要先確定哪個anchor負責哪個落入cell中的object的預測，確定方法與YOLOv2相同。【深度學習】目標檢測之YOLOv2算法&6D姿態估計之YOLO-6D算法

損失函數計算：

• 第一項：所有負責預測目標的anchor的座標損失($b_x、b_y、b_w、b_h$​)。label是$g_x​、g_y​、g_w​、g_h$​（注意計算loss時，$g_x$、$g_y$要乘預測所使用的Feature Map的width、height；$g_w$、$g_h$要乘初始輸入圖像的width、height）。使用均方損失函數。衡量目標定位準確度。前面的係數設置爲1
• 第二項：不負責預測目標的anchor的座標損失($b_x、b_y、b_w、b_h$​)。label是cell的左上點$x$、cell的左上點$y$、anchor的$width$、anchor的$heigth$。因爲這樣的label對應的實際輸出是零。使用均方損失函數。前面的係數設置爲1
• 第三項：負責預測目標的anchor的confidence損失$b_o$。label是$Pr(object)∗IOU(b,object)$。使用binary cross-entropy loss（不使用Softmax）。衡量可能有目標的準確度。前面的係數設置爲5
• 第四項：不負責預測目標的anchor的confidece損失$b_o$​。計算$Pr(object)∗IOU(b,object)$，如果計算結果小於0.5，label是零。使用binary cross-entropy loss（不使用Softmax）。前面的係數設置爲1
• 第五項：負責預測目標的anchor的類別損失。使用binary cross-entropy loss（不使用Softmax）（在這裏相當於多個獨立的邏輯分類器，這樣的多標籤方法有助於對訓練數據更好的建模）。

binary cross-entropy loss

二分類的交叉熵損失函數：
對於一個樣本：$H_{y^/}(p(y)) =-[y^/*log(p(y))+(1-y^/)log(1-p(y))]$
其中，$y^/$是label信息，positive是1，negative是0。$p(y)$是網絡的輸出，也就是結果是positive的概率。

AP（Average Precision）的含義和計算方法

注意，多類別的目標檢測任務中，AP是針對單獨一類目標而言的

• 正確率(Precision)：
  $正確率(Precision) = \dfrac{TP}{TP + FP}$
  判斷爲True的樣本中，真實爲True的比例

• 真陽性率(True Positive Rate，TPR)，靈敏度(Sensitivity)，召回率(Recall)：
  $真陽性率 = \dfrac{TP}{TP + FN}$
  真實爲True的樣本中，判斷爲True的比例

Precision和Recall用到目標檢測領域，就是：
假設有一組圖片，裏面有若干待檢測的目標，Precision就代表模型檢測出來的目標有多大比例是真正的目標物體；Recall就代表所有真實的目標有多大比例被模型檢測出來了。

以Recall爲橫軸，Precision爲縱軸繪製的曲線，就是PR曲線。

AP（Average Precision），就是對PR曲線的縱軸（Precision）的值取平均。所謂11point-AP，就是將R軸平分11個點，對應的P軸的值取平均。

mAP（mean Average Precision）的含義和計算方法

mAP是所有類別的AP值的均值

結語

如果您有修改意見或問題，歡迎留言或者通過郵箱和我聯繫。
手打很辛苦，如果我的文章對您有幫助，轉載請註明出處。