YOLO，即You Only Look Once的缩写，是一个基于卷积神经网络的物体检测算法。而YOLO v3是YOLO的第3个版本，即YOLO、YOLO 9000、YOLO v3，检测效果，更准更强。
YOLO v3的更多细节，可以参考YOLO的官网。
YOLO是一句美国的俗语，You Only Live Once，你只能活一次，即人生苦短，及时行乐。
本文主要分享，如何实现YOLO v3的算法细节，Keras框架。这是第3篇，网络，以DarkNet为基础。当然还有第4篇，至第n篇，毕竟，这是一个完整版 ：）这篇略长。
本文的GitHub源码：https://github.com/SpikeKing/keras-yolo3-detection
欢迎关注，公众号 深度算法 （ID: DeepAlgorithm） ，了解更多技术！
1. 网络
在模型中，通过传入输入层image_input、每层的anchor数num_anchors//3和类别数num_classes，调用yolo_body方法，构建YOLO v3的网络model_body。其中，image_input的结构是(?, 416, 416, 3)。
model_body = yolo_body(image_input, num_anchors // 3, num_classes) # model
在model_body中，最终的输入是image_input，最终的输出是3个矩阵的列表：
[(?, 13, 13, 18), (?, 26, 26, 18), (?, 52, 52, 18)]
YOLO v3的基础网络是DarkNet网络，将DarkNet网络中底层和中层的特征矩阵，通过卷积操作和多个矩阵的拼接操作，创建3个尺度的输出，即[y1, y2, y3]。
def yolo_body(inputs, num_anchors, num_classes): darknet = Model(inputs, darknet_body(inputs)) x, y1 = make_last_layers(darknet.output, 512, num_anchors * (num_classes + 5)) x = compose( DarknetConv2D_BN_Leaky(256, (1, 1)), UpSampling2D(2))(x) x = Concatenate()([x, darknet.layers[152].output]) x, y2 = make_last_layers(x, 256, num_anchors * (num_classes + 5)) x = compose( DarknetConv2D_BN_Leaky(128, (1, 1)), UpSampling2D(2))(x) x = Concatenate()([x, darknet.layers[92].output]) x, y3 = make_last_layers(x, 128, num_anchors * (num_classes + 5)) return Model(inputs, [y1, y2, y3])
2. Darknet
Darknet网络的输入是图片数据集inputs，即(?, 416, 416, 3)，输出是darknet_body方法的输出。将网络的核心逻辑封装在darknet_body方法中。即：
darknet = Model(inputs, darknet_body(inputs))
其中，darknet_body的输出格式是(?, 13, 13, 1024)。
Darknet的网络简化图，如下：
YOLO v3所使用的Darknet版本是Darknet53。那么，为什么是Darknet53呢？因为Darknet53是53个卷积层和池化层的组合，与Darknet简化图一一对应，即：
53 = 2 + 1*2 + 1 + 2*2 + 1 + 8*2 + 1 + 8*2 + 1 + 4*2 + 1
在darknet_body中，Darknet网络含有5组重复的resblock_body单元，即：
def darknet_body(x): '''Darknent body having 52 Convolution2D layers''' x = DarknetConv2D_BN_Leaky(32, (3, 3))(x) x = resblock_body(x, num_filters=64, num_blocks=1) x = resblock_body(x, num_filters=128, num_blocks=2) x = resblock_body(x, num_filters=256, num_blocks=8) x = resblock_body(x, num_filters=512, num_blocks=8) x = resblock_body(x, num_filters=1024, num_blocks=4) return x
在第1个卷积操作DarknetConv2D_BN_Leaky中，是3个操作的组合，即：
-
1个Darknet的2维卷积Conv2D层，即DarknetConv2D；
-
1个批正在化层，即BatchNormalization()；
-
1个LeakyReLU层，斜率是0.1，LeakyReLU是ReLU的变换；
即：
def DarknetConv2D_BN_Leaky(*args, **kwargs): """Darknet Convolution2D followed by BatchNormalization and LeakyReLU.""" no_bias_kwargs = {'use_bias': False} no_bias_kwargs.update(kwargs) return compose( DarknetConv2D(*args, **no_bias_kwargs), BatchNormalization(), LeakyReLU(alpha=0.1))
其中，LeakyReLU的激活函数，如下：
LeakyReLU
其中，Darknet的2维卷积DarknetConv2D，具体操作如下：
-
将核权重矩阵的正则化，使用L2正则化，参数是5e-4，即操作w参数；
-
Padding，一般使用same模式，只有当步长为(2,2)时，使用valid模式。避免在降采样中，引入无用的边界信息；
-
其余参数不变，都与二维卷积操作Conv2D()一致；
kernel_regularizer是将核权重参数w进行正则化，而BatchNormalization是将输入数据x进行正则化。
实现：
@wraps(Conv2D) def DarknetConv2D(*args, **kwargs): """Wrapper to set Darknet parameters for Convolution2D.""" darknet_conv_kwargs = {'kernel_regularizer': l2(5e-4)} darknet_conv_kwargs['padding'] = 'valid' if kwargs.get('strides') == (2, 2) else 'same' darknet_conv_kwargs.update(kwargs) return Conv2D(*args, **darknet_conv_kwargs)
下一步，第1个残差结构resblock_body，输入的数据x是(?, 416, 416, 32)，通道filters是64个，重复次数num_blocks是1次。第1个残差结构是网络简化图第1部分。
x = resblock_body(x, num_filters=64, num_blocks=1)
在resblock_body中，含有以下逻辑：
-
ZeroPadding2D：填充x的边界为0，由(?, 416, 416, 32)转换为(?, 417, 417, 32)。因为下一步卷积操作的步长为2，所以图的边长需要是奇数；
-
DarknetConv2D_BN_Leaky：DarkNet的2维卷积操作，核是(3,3)，步长是(2,2)，注意，这会导致特征尺寸变小，由(?, 417, 417, 32)转换为(?, 208, 208, 64)。由于num_filters是64，所以产生64个通道。
-
compose：输出预测图y，功能是组合函数，先执行1x1的卷积操作，再执行3x3的卷积操作，filter先降低2倍后恢复，最后与输入相同，都是64；
-
x = Add()([x, y])：残差操作，将x的值与y的值相加。残差操作可以避免，在网络较深时所产生的梯度弥散问题。
实现：
def resblock_body(x, num_filters, num_blocks): '''A series of resblocks starting with a downsampling Convolution2D''' # Darknet uses left and top padding instead of 'same' mode x = ZeroPadding2D(((1, 0), (1, 0)))(x) x = DarknetConv2D_BN_Leaky(num_filters, (3, 3), strides=(2, 2))(x) for i in range(num_blocks): y = compose( DarknetConv2D_BN_Leaky(num_filters // 2, (1, 1)), DarknetConv2D_BN_Leaky(num_filters, (3, 3)))(x) x = Add()([x, y]) return x
残差操作流程，如图：
同理，在darknet_body中，执行5组resblock_body残差块，重复[1, 2, 8, 8, 4]次，双卷积操作，每组均含有一次步长为2的卷积操作，因而一共降维5次32倍，即32=2^5，则输出的特征图维度是13，即13=416/32。最后1层的通道数是1024，因此，最终的输出结构是(?, 13, 13, 1024)，即：
Tensor("add_23/add:0", shape=(?, 13, 13, 1024), dtype=float32)
至此，Darknet模型的输入是(?, 416, 416, 3)，输出是(?, 13, 13, 1024)。
3. 特征图
在YOLO v3网络中，输出3个不同尺度的检测图，用于检测不同大小的物体。调用3次make_last_layers，产生3个检测图，即y1、y2和y3。
13x13检测图
第1个部分，输出维度是13x13。在make_last_layers方法中，输入参数如下：
-
darknet.output：DarkNet网络的输出，即(?, 13, 13, 1024)；
-
num_filters：通道个数512，用于生成中间值x，x会传导至第2个检测图；
-
out_filters：第1个输出y1的通道数，值是锚框数*(类别数+4个框值+框置信度)；
即：
x, y1 = make_last_layers(darknet.output, 512, num_anchors * (num_classes + 5))
在make_last_layers方法中，执行2步操作：
-
第1步，x执行多组1x1的卷积操作和3x3的卷积操作，filter先扩大再恢复，最后与输入的filter保持不变，仍为512，则x由(?, 13, 13, 1024)转变为(?, 13, 13, 512)；
-
第2步，x先执行3x3的卷积操作，再执行不含BN和Leaky的1x1的卷积操作，作用类似于全连接操作，生成预测矩阵y；
实现：
def make_last_layers(x, num_filters, out_filters): '''6 Conv2D_BN_Leaky layers followed by a Conv2D_linear layer''' x = compose( DarknetConv2D_BN_Leaky(num_filters, (1, 1)), DarknetConv2D_BN_Leaky(num_filters * 2, (3, 3)), DarknetConv2D_BN_Leaky(num_filters, (1, 1)), DarknetConv2D_BN_Leaky(num_filters * 2, (3, 3)), DarknetConv2D_BN_Leaky(num_filters, (1, 1)))(x) y = compose( DarknetConv2D_BN_Leaky(num_filters * 2, (3, 3)), DarknetConv2D(out_filters, (1, 1)))(x) return x, y
最终，第1个make_last_layers方法，输出的x是(?, 13, 13, 512)，输出的y是(?, 13, 13, 18)。由于模型只有1个检测类别，因而y的第4个维度是18，即3*(1+5)=18。
26x26检测图
第2个部分，输出维度是26x26，包含以下步骤：
-
通过DarknetConv2D_BN_Leaky卷积，将x由512的通道数，转换为256的通道数；
-
通过2倍上采样UpSampling2D，将x由13x13的结构，转换为26x26的结构；
-
将x与DarkNet的第152层拼接Concatenate，作为第2个make_last_layers的输入，用于生成第2个预测图y2；
其中，输入的x和darknet.layers[152].output的结构都是26x26的尺寸，如下：
x: shape=(?, 26, 26, 256) darknet.layers[152].output: (?, 26, 26, 512)
在拼接之后，输出的x的格式是(?, 26, 26, 768)。
这样做的目的是：将Darknet最底层的高级抽象信息darknet.output，经过若干次转换之后，除了输出给第1个检测部分，还被用于第2个检测部分，经过上采样，与Darknet骨干中，倒数第2次降维的数据拼接，共同作为第2个检测部分的输入。底层抽象特征含有全局信息，中层抽象特征含有局部信息，这样拼接，两者兼顾，用于检测较小的物体。
最后，还是调用相同的make_last_layers，输出第2个检测层y2和临时数据x。
实现：
x = compose( DarknetConv2D_BN_Leaky(256, (1, 1)), UpSampling2D(2))(x) x = Concatenate()([x, darknet.layers[152].output]) x, y2 = make_last_layers(x, 256, num_anchors * (num_classes + 5))
最终，第2个make_last_layers方法，输出的x是(?, 26, 26, 256)，输出的y是(?, 26, 26, 18)。
52x52检测图
第3个部分，输出维度是52x52，与第2个部分类似，包含以下步骤：
x = compose( DarknetConv2D_BN_Leaky(128, (1, 1)), UpSampling2D(2))(x) x = Concatenate()([x, darknet.layers[92].output]) _, y3 = make_last_layers(x, 128, num_anchors * (num_classes + 5))
逻辑如下：
-
x经过128个filter的卷积，再执行上采样，输出为(?, 52, 52, 128)；
-
darknet.layers[92].output，与152层类似，结构是(?, 52, 52, 256)；
-
两者拼接之后，x是(?, 52, 52, 384)；
-
最后输入至make_last_layers，生成y3是(?, 52, 52, 18)，忽略x的输出；
最后，则是根据整个逻辑的输入和输出，构建模型。输入inputs依然保持不变，即(?, 416, 416, 3)，而输出则转换为3个尺度的预测层，即[y1, y2, y3]。
return Model(inputs, [y1, y2, y3])
[y1, y2, y3]的结构如下：
Tensor("conv2d_59/BiasAdd:0", shape=(?, 13, 13, 18), dtype=float32) Tensor("conv2d_67/BiasAdd:0", shape=(?, 26, 26, 18), dtype=float32) Tensor("conv2d_75/BiasAdd:0", shape=(?, 52, 52, 18), dtype=float32)
最终，在yolo_body中，完成整个YOLO v3网络的构建，基础网络是DarkNet。
model_body = yolo_body(image_input, num_anchors // 3, num_classes)
网络的示意图，层次序号略有不同：
补充1. 卷积Padding
在卷积操作中，针对于边缘数据，有两种操作，一种是舍弃valid，一种是填充same。
如：
数据：1 2 3 4 5 6 7 8 9 10 11 12 13 输入数据 = 13 过滤器宽度 = 6 步长 = 5
第1种，valid操作，宽度是6，步长是5，执行数据：
1 2 3 4 5 6 6 7 8 9 10 11 11 12 13（不足，舍弃）
第2种，same操作，执行数据：
1 2 3 4 5 6（前两步相同） 6 7 8 9 10 11 11 12 13 0 0（不足，填充）
其中，same模式中数据利用率更高，valid模式中避免引入无效的边缘数据，两种模式各有千秋。
补充2. compose函数
compose函数，使用Python的Lambda表达式，顺次执行函数列表，且前一个函数的输出是后一个函数的输入。compose函数适用于在神经网络中连接两个层。
例如：
def compose(*funcs): if funcs: return reduce(lambda f, g: lambda *a, **kw: g(f(*a, **kw)), funcs) else: raise ValueError('Composition of empty sequence not supported.') def func_x(x): return x * 10 def func_y(y): return y - 6 z = compose(func_x, func_y) # 先执行x函数，再执行y函数 print(z(10)) # 10*10-6=94
补充3. UpSampling2D上采样
UpSampling2D上采样操作，将特征矩阵按倍数扩大，其核心是通过resize的方式，默认使用最邻近（Nearest Neighbor）插值算法。data_format是数据模式，默认是channels_last，即通道在最后，如(128,128,3)。
源码：
def call(self, inputs): return K.resize_images(inputs, self.size[0], self.size[1], self.data_format) // ... x = tf.image.resize_nearest_neighbor(x, new_shape)
例如：数据(?, 13, 13, 256)，经过上采样2倍操作，即UpSampling2D(2)，生成(?, 26, 26, 256)的特征图。
补充4. 1x1卷积操作与全连接
1x1的卷积层和全连接层都可以作为最后一层的预测输出，两者之间略有不同。
第1点：
-
1x1的卷积层，可以不考虑输入的通道数，输出固定通道数的特征矩阵；
-
全连接层（Dense），输入和输出都是固定的，在设计网络时，固定就不能修改；
这样，1x1的卷积层，比全连接层，更为灵活；
第2点：
例如：输入(13,13,1024)，输出为(13,13,18)，则两种操作：
-
1x1的卷积层，参数较少，只需与输出通道匹配的参数，如13x13x1x1x18个参数；
-
全连接层，参数较多，需要与输入和输出都匹配的参数，如13x13x1028x18个参数；
OK, that's all! Enjoy it!
By C. L. Wang @ 美图云 视觉技术部