一、YOLOv3总体概述相比于前两代YOLOv3最大的改进在于网格结构的设计。核心目标使其更适合小目标检测。四大核心升级1.特征更细致融合多尺度特征图预测不同规格物体。2.先验框更丰富3种scale共9种。3.改进Softmax支持多标签检测。4.融入ResNet残差思想加深网格。二、核心改进1.多尺度预测为了能检测到不同大小的物体。传统的图像金字塔虽然能检测不同大小物体但计算量大不利于YOLO的检测速度所以YOLOv3采用了单一输入但在网络内部做文章。YOLOv3不再像v2那样只利用单一特征图而是类似FPN特征金字塔的思想融合不同尺度的特征图进行预测。输入图像尺寸为416*416*3。经过不同倍数的下采样得到13*13、26*26、52*52三个尺度的特征图。网格将深层特征上采样与中层特征拼接再将结果上采样与浅层特征52*52拼接从而实现多尺度融合预测。2.更深的网格与残差连接YOLOv3采用了Darknet-53作为核心网格架构没有池化和全连接层全是卷积。残差连接ResNet思想深层网格容易出现梯度消失导致训练效果变差。引入残差结构H(x)F(x)x)后允许网格堆叠更多的层进行特征提取。下采样方式通过设置卷积的stride步长2来实现下采样替代了传统的池化层。3.9种尺度的先验框设计YOLOv2中使用了5个先验框YOLOv3增加到了9个。这些先验框是通过对COCO数据集进行K-means聚类得到的。分配策略13*13特征图感受野大应用较大的先验框负责检测大物体。26*26特征图感受野中等应用中等的先验框检测中等大小对象。52*52特征图感受野小应用较小的先验框适合检测小目标。4.多标签分类Logistic替代Softmax在复杂场景中一个物体可能属于多个类别例如一个人既是“人”也是“行人”。传统的Softmax函数会强制所有类别概率之和为1强制单标签分类这在多标签任务中不再使用。YOLOv3的改进使用多个独立的 Logistic 分类器。对每一个框中每个类别使用Sigmoid激活函数独立计算概率只要某个类别的概率超过设定的阈值如0.5就认为包含该类别。三、输入到输出的张量解析YOLOv3的输出是一个3D张量。以COCO数据集80个类别为例每个网格单元会预测3个边界框每个预测目标的维度是4180854边界框坐标tx,ty,tw,thtx​,ty​,tw​,th​1边框置信度Objectness score80对象类别数因此三个尺度的输出分别为13×13×[3×(4180)]26×26×[3×(4180)]52×52×[3×(4180)]四、总结YOLOv3在保持极快检测速度的前提下通过多尺度特征融合、Darknet-53残差网络、9种先验框以及Logistic多标签分类大幅提升了特别是针对小目标的检测精度真正做到了“基本上当下经典做法全融入了”。