YOLO V3

YOLOV3

paper link

YOLOv3: An Incremental Improvement

Yolov3网络架构

backbone：Darknet-53

backbone部分由Yolov2时期的Darknet-19进化至Darknet-53，加深了网络层数，引入了Resnet中的跨层加和操作。原文列举了Darknet-53与其他网络的对比：

Darknet-53处理速度每秒78张图，比Darknet-19慢不少，但是比同精度的ResNet快很多。Yolov3依然保持了高性能。

（这里解释一下Top1和Top5：模型在ImageNet数据集上进行推理，按照置信度排序总共生成5个标签。按照第一个标签预测计算正确率，即为Top1正确率；前五个标签中只要有一个是正确的标签，则视为正确预测，称为Top5正确率）

Yolov3网络结构全貌

Yolov3使用Darknet-53作为整个网络的分类骨干部分。在Yolov3论文中并未给出全部网络结构。根据代码，整理数据流图如下：

网络结构解析：

1. Yolov3中，只有卷积层通过调节卷积步长控制输出特征图的尺寸。所以对于输入图片尺寸没有特别限制，流程图中，输入图片以(256*256*3)作为样例
2. Yolov3借鉴了特征金字塔的思想，小尺寸特征图用于检测大尺寸物体，而大尺寸特征图检测小尺寸物体。特征图的输出维度为(N imes N imes [3 imes (4+1+80)])，(N imes N)为输出特征图格点数，一共3个Anchor框，每个框有4维预测框数值(t_x,t_y,t_w,t_h)，1维预测框置信度，80维物体类别数。所以第一层特征图的输出维度为(8 imes 8 imes 255)
3. Yolov3总共输出3个特征图，第一个特征图下采样32倍，第二个特征图下采样16倍，第三个下采样8倍。输入图像经过Darknet-53（无全连接层），再经过Yoloblock生成的特征图被当作两用，第一用为经过(3*3)卷积层、(1*1)卷积之后生成特征图一，第二用为经过(1*1)卷积层加上采样层，与Darnet-53网络的中间层输出结果进行拼接，产生特征图二。同样的循环之后产生特征图三。
4. concat操作与加和操作的区别：加和操作来源于ResNet思想，将输入的特征图，与输出特征图对应维度进行相加，即(y=f(x)+x)；而concat操作源于DenseNet网络的设计思路，将特征图按照通道维度直接进行拼接，例如(8*8*16)的特征图与(8*8*16)的特征图拼接后生成(8*8*32)的特征图。
5. 上采样层(upsample)：作用是将小尺寸特征图通过插值等方法，生成大尺寸图像。例如使用最近邻插值算法，将(8*8)的图像变换为(16*16)。上采样层不改变特征图的通道数。

Yolo的整个网络，吸取了Resnet、Densenet、FPN的精髓，可以说是融合了目标检测当前业界最有效的全部技巧。

Yolo输出特征图解码（前向过程）

根据不同的输入尺寸，会得到不同大小的输出特征图，以图二中输入图片(256 imes 256 imes 3)为例，输出的特征图为(8 imes 8 imes 255,16 imes 16 imes 255,32 imes 32 imes255)。在Yolov3的设计中，每个特征图的每个格子中，都配置3个不同的先验框，所以最后三个特征图，这里暂且reshape为(8 imes 8 imes 3 imes 85,16 imes 16 imes 3 imes 85,32 imes 32 imes 3 imes 85)，这样更容易理解，在代码中也是reshape成这样之后更容易操作。

三张特征图就是整个Yolo输出的检测结果，检测框位置（4维）、检测置信度（1维）、类别（80维）都在其中，加起来正好是85维。特征图最后的维度85，代表的就是这些信息，而特征图其他维度(N imes N imes 3)，(N imes N)代表了检测框的参考位置信息，3是3个不同尺度的先验框。下面详细描述怎么将检测信息解码出来：

先验框

在Yolov1中，网络直接回归检测框的宽、高，这样效果有限。所以在Yolov2中，改为了回归基于先验框的变化值，这样网络的学习难度降低，整体精度提升不小。Yolov3沿用了Yolov2中关于先验框的技巧，并且使用k-means对数据集中的标签框进行聚类，得到类别中心点的9个框，作为先验框。在COCO数据集中（原始图片全部resize为(416 imes 416)），九个框分别是 ((10 imes 13))，((16 imes 30))，((33 imes 23))，((30 imes 61))，((62 imes 45))，((59 imes 119))， ((116 imes 90))， ((156 imes 198))，((373 imes 326)) ，顺序为(w imes h)。

注：先验框只与检测框的(w、h)有关，与(x、y)无关。

检测框解码

有了先验框与输出特征图，就可以解码检测框(x，y，w，h)。

[egin{matrix}b_x=sigma(t_x)+c_x\b_y=sigma(t_y)+c_y\b_w=p_we^{t_w}\b_h=p_he^{t_h}end{matrix} ]

如下图所示，(sigma(t_x),sigma(t_y))是基于矩形框中心点左上角格点坐标的偏移量，(sigma)是激活函数，论文中作者使用sigmoid。(p_w,p_h)是先验框的宽、高，通过上述公式，计算出实际预测框的宽高((b_w,b_h))。

举个具体的例子，假设对于第二个特征图(16 imes 16 imes 3 imes 85)中的第([5，4，2])维，上图中的(c_y=5,c_x=4)，第二个特征图对应的先验框为((30 imes61))，((62 imes45))，((59 imes119))，prior_box的index为2，那么取最后一个59，119作为先验w、先验h。这样计算之后的(b_x,b_y)还需要乘以特征图二的采样率16，得到真实的检测框(x，y)。

检测置信度解码

物体的检测置信度，在Yolo设计中非常重要，关系到算法的检测正确率与召回率。

置信度在输出85维中占固定一位，由sigmoid函数解码即可，解码之后数值区间在([0，1])中。

类别解码

COCO数据集有80个类别，所以类别数在85维输出中占了80维，每一维独立代表一个类别的置信度。使用sigmoid激活函数替代了Yolov2中的softmax，取消了类别之间的互斥，可以使网络更加灵活。

三个特征图一共可以解码出$ 8 imes 8 imes 3 + 16 imes 16 imes 3 + 32 imes 32 imes 3 = 4032$个box以及相应的类别、置信度。这4032个box，在训练和推理时，使用方法不一样：

1. 训练时4032个box全部送入打标签函数，进行后一步的标签以及损失函数的计算。
2. 推理时，选取一个置信度阈值，过滤掉低阈值box，再经过NMS（非极大值抑制），就可以输出整个网络的预测结果了。

训练策略与损失函数（反向过程）

训练策略

YOLOv3 predicts an objectness score for each bounding box using logistic regression. This should be 1 if the bounding box prior overlaps a ground truth object by more than any other bounding box prior. If the bounding box prior is not the best but does overlap a ground truth object by more than some threshold we ignore the prediction, following [17]. We use the threshold of .5. Unlike [17] our system only assigns one bounding box prior for each ground truth object. If a bounding box prior is not assigned to a ground truth object it incurs no loss for coordinate or class predictions, only objectness.

以上是Yolov3论文中的训练策略，最后一句“一个没有被分配ground truth的预测框，只产生置信度loss“，有一定的歧义。深刻理解Yolov3之后，训练策略总结如下：

1. 预测框一共分为三种情况：正例（positive）、负例（negative）、忽略样例（ignore）。

2. 正例：任取一个ground truth，与4032个框全部计算IOU，IOU最大的预测框，即为正例。并且一个预测框，只能分配给一个ground truth

   例如第一个ground truth已经匹配了一个正例检测框，那么下一个ground truth，就在余下的4031个检测框中，寻找IOU最大的检测框作为正例。ground truth的先后顺序可忽略。

   正例产生置信度loss、检测框loss、类别loss。预测框为对应的ground truth box标签（需要反向编码，使用真实的x、y、w、h计算出(t_x,t_y,t_w,t_h) ）；类别标签对应类别为1，其余为0；置信度标签为1。

3. 忽略样例：正例除外，与任意一个ground truth的IOU大于阈值（论文中使用0.5），则为忽略样例。忽略样例不产生任何loss。

4. 负例：正例除外（与ground truth计算后IOU最大的检测框，但是IOU小于阈值，仍为正例），与全部ground truth的IOU都小于阈值(0.5)，则为负例。负例只有置信度产生loss，置信度标签为0。

Loss function

特征图1的Yolov3的损失函数抽象表达式如下：

[egin{matrix}loss_{N_1}=lambda_{box}sum^{N_1 imes N_1}_{i=0}sum^3_{j=0}1^{obj}_{ij}[(t_x-t_x')^2+(t_y-t_y')^2]\+lambda_{box}sum^{N_1 imes N_1}_{i=0}sum^3_{j=0}1^{obj}_{ij}[(t_w-t_w')^2+(t_h-t_h')^2]\-lambda_{obj}sum^{N imes N}_{i=0}sum^3_{j=0}1^{obj}_{ij}log(c_{ij})\-lambda_{noobj}sum^{N_1 imes N_1}_{i=0}sum^3_{j=0}1^{noobj}_{ij}log(1-c_{ij})\-lambda_{class}sum^{N_1 imes N_1}_{i=0}sum^3_{j=0}1^{obj}_{ij}sum_{cin classes}[p'_{ij}(c)log(p_{ij}(c))+(1-p'_{ij}(c))log(1-p_{ij}(c))]end{matrix} ]

Yolov3 Loss为三个特征图Loss之和：

[Loss=loss_{N_1}+loss_{N_2}+loss_{N_3} ]

1. (lambda)为权重常数，控制检测框Loss、obj置信度Loss、noobj置信度Loss之间的比例，通常负例的个数是正例的几十倍以上，可以通过权重超参控制检测效果。
2. (1^{obj}_{ij})若是正例则输出1，否则为0；(1^{noobj}_{ij})若是负例则输出1，否则为0；忽略样例都输出0。
3. (x,y,w,h)用MSE作为损失函数，也可以使用(smooth L1 loss)（出自Faster R-CNN）作为损失函数。(smooth L1)可以使训练更加平滑。置信度、类别标签由于是0，1二分类，所以使用交叉熵作为损失函数。

训练策略解释

ground truth为什么不按照中心点分配对应的预测box？

1. 在Yolov3的训练策略中，不再像Yolov1那样，每个cell负责中心落在该cell中的ground truth。原因是Yolov3一共产生3个特征图，3个特征图上的cell，中心是有重合的。训练时，可能最契合的是特征图1的第3个box，但是推理的时候特征图2的第1个box置信度最高。所以Yolov3的训练，不再按照ground truth中心点，严格分配指定cell，而是根据预测值寻找IOU最大的预测框作为正例。

   如果yolov3不以中心点作为分配依据，输出的(x,y)，基于格子左上角的偏移量，这个没有问题，但这里的(x、y)是网络的预测值。标签(x'，y')，是与该预测框IoU数值最高的那个框。

   解码和ground truth框的分配是两个独立的过程，上述过程只是gt框分配的过程。yolov1中，直接按照每个物体中心所在的格子，将预测与标签一一对应，但是yolov3一共预测三个特征图，所以按照中心点分配gt不再一一对应。

2. 笔者实验结果：

   1. ground truth先从9个先验框中确定最接近的先验框，这样可以确定ground truth所属第几个feature map以及第几个anchor box位置，之后根据中心点进一步分配
   2. 全部4032个anchor框直接和ground truth计算IOU，取IOU最高的cell分配ground truth

   第二种计算方式的IOU数值，往往都比第一种要高，这样(w,h)与(x,y)的loss较小，网络可以更加关注类别和置信度的学习；其次，在推理时，是按照置信度排序，再进行NMS筛选，第二种训练方式，每次给ground truth分配的box都是最契合的box，给这样的box置信度打1的标签，更加合理，最接近的box，在推理时更容易被发现。Yolov1中的置信度标签，就是预测框与真实框的IOU，Yolov3为什么是1？

3. 置信度意味着该预测框是或者不是一个真实物体，是一个二分类，所以标签是1、0更加合理。

4. 笔者实验结果：

   1. 置信度标签取预测框与真实框的IOU
   2. 置信度标签取1

   第一种的结果是，在训练时，有些预测框与真实框的IOU极限值就是0.7左右，置信度以0.7作为标签，置信度学习有一些偏差，最后学到的数值是0.5，0.6，那么假设推理时的激活阈值为0.7，这个检测框就被过滤掉了。但是IOU为0.7的预测框，其实已经是比较好的学习样例了。尤其是coco中的小像素物体，几个像素就可能很大程度影响IOU，所以第一种训练方法中，置信度的标签始终很小，无法有效学习，导致检测召回率不高。而检测框趋于收敛，IOU收敛至1，置信度就可以学习到1，这样的设想太过理想化。而使用第二种方法，召回率明显提升了很高。

为什么有忽略样例？

1. 忽略样例是Yolov3中的点睛之笔。由于Yolov3使用了多尺度特征图，不同尺度的特征图之间会有重合检测部分。比如有一个真实物体，在训练时被分配到的检测框是特征图1的第三个box，IOU达0.98，此时恰好特征图2的第一个box与该ground truth的IOU达0.95，也检测到了该ground truth，如果此时给其置信度强行打0的标签，网络学习效果会不理想。
2. 笔者实验结果：如果给全部的忽略样例置信度标签打0，那么最终的loss函数会变成(Loss_{obj})与(Loss_{noobj})的拉扯，不管两个loss数值的权重怎么调整，或者网络预测趋向于大多数预测为负例，或者趋向于大多数预测为正例。而加入了忽略样例之后，网络才可以学习区分正负例。

优化器

作者在文中没有提及优化器，Adam，SGD等都可以用，github上Yolov3项目中，大多使用Adam优化器。

精度与性能

在coco上的精度对比：

在coco上的性能对比：

直接说结论：Yolov3精度与SSD相比略有小优，与Faster R-CNN相比略有逊色，几乎持平，比RetinaNet差。但是速度是SSD、RetinaNet、Faster R-CNN至少2倍以上。输入尺寸为(320*320)的Yolov3，单张图片处理仅需22ms，简化后的Yolov3 tiny可以更快。