论文简介

论文：《YOLOv3: An Incremental Improvement》
作者：Joseph Redmon, Ali Farhadi
论文下载地址：https://arxiv.org/abs/1804.02767
代码下载：https://github.com/ultralytics/yolov3
在过去一年里作者就一直在推上刷东西，直到ddl到了才写了一篇改进YOLOv3的技术报告（作者论文自己写的）。所以这篇论文文风比较随意。

论文内容

这个图主要表达的是当时几种模型在coco数据集上的的精度与推断时间。YOLOv3的三个星星表示从320、416、608这三种输入大小，也就是说随着输入大小的提高，精度也会提高。对比RetianNet的检测框架，mAP-50是57.5，而YOLOv3-608是57.9，time是198而YOLOv3-608是51，YOLOv3-608在精度和速度上都优秀于RetianNet-101-800

AP是检测精度，AP50是在IOU=50时的AP，AP75是在IOU=75时的AP，APS是小目标（目标边框小于32）的AP，M是中目标，L是大目标（目标边框大于96）
YOLOv3 608对比YOLOv2在各个维度都是远超的
对比两阶段算法，精度基本一样，但是速度是四倍的关系

1. 采用darknet53+FPN结构

YOLOv2采用的是darknet-19，是普通的卷积和池化平铺网络，如上图

这是YOLOv3采用的darknet-53结构，每一个方框代表一个残差模块，总共有23个残差模块，残差模块是resnet提出的结构，他可以把模型拼接很深，但是不降低精度。最后拿的是32x32 16x16 8x8这仨模块的输出
darknet一方面采用残差结构，缓解了大型梯度更新慢的问题，采用金字塔FPN结构，从网络中抽取三层，分别是原图的1/8 1/16 1/32，做一个上采样和特征合并的操作，一方面加快训练和避免梯度消失，另一方面融合上下层特征，使大尺度模板检测的时候能参考小尺度特征。

这是FPN结构，大概原理是，以左上角这一层举例，把这一层抽出，进行上采样操作让他变得大一点，跟第二层的合并，把合并结果进行输出。

2. 边框预测保持与YOLOv2保持一致

其中tx ty tw th为模型预测输出
函数为sigmod函数，归一化tx ty
pw ph为anchor的宽高
cx cy为当前grid cell的坐标
bx by bw bh为最终预测的目标边框

这个预测中心点的预测结果永远是girl cell右下边的效果
损失计算还是差平方和。每个输出的三个先验框会跟ground truth框做一个交并比，只会拿交并比最大的那一个作为最终预测数据。

3. 沿用YOLOv2 kmeans生成先验anchors

YOLOv3输出三个特征层，每个特征层会对应三个先验框，所以YOLOv3总共生成9个anchors。聚类的时候就会分成9类，最小的三类对应1/8特征，中间三类对应1/16，最大对应1/32.这样的效果就是小anchor对应小目标，大anchor对应大目标。

（BV1DS4y1R7zd的P9）
这里是这篇论文最大的改进点
YOLOv2是直接走骨干网络输出结果
YOLOv3是走骨干网络后输出一层19x19，再做一个上采样和上一层的concat在一起，再输出，再做一个上采样和最上边一层拼接在一起，在输出。总共输出三个尺度的tensor。每个tensor的输出是

最后把三维处理成四维。

4.类别预测改为多分类格式

实际使用的时候如果没有多分类需求，就不用这个交叉熵就行。