【YOLO模型】（4）--YOLO V3超超超超详解！！!

YOLO V3

YOLO V3是由Joseph Redmon等人在2018年推出的一款目标检测算法。作为YOLO系列的第三代版本，它在实时性和准确性上取得了显著的提升。YOLO V3的核心思想是将目标检测问题转化为一个回归问题，通过一个统一的神经网络同时预测物体的类别和位置。

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：

一、改进

1. YOLO V3最大的改进就是网络架构，使其更适合小物体检测。
2. 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。
3. 先验框更丰富，共9个，分为小、中、大三种scale，每种有三个规格。
4. softmax改进，预测多标签任务。

二、三种scale

为了检测不同大小的物体：

• scale变换经典方法：

不太理想的两种方法：

金字塔：每层特征图卷积预测结果。

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：

三、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：

四、核心网络结构

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。

五、softmax层替代

在之前的判断类别中，我们使用的是logistic函数。

指的是未经过softmax函数处理的网络输出，也就是各个类别的得分（score）或概率（probability）值，因此沿用了logit这个术语。在逻辑回归（logistic regression）模型中，logits表示某个事件发生的概率与不发生的概率之比的对数值。

而softmax层适用于多分类的任务中：

总结

本篇介绍了：

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