【论文阅读】YOLOv3：An Incremental Improvement

x-jeff

于 2025-06-29 21:10:53 发布

阅读量1.2k

点赞数 33

CC 4.0 BY-SA版权

分类专栏：论文阅读文章标签：论文阅读 YOLO

本文链接：https://blog.csdn.net/qq_34222839/article/details/149003779

论文阅读专栏收录该内容

31 篇文章

订阅专栏

1.Introduction

我们针对YOLO框架（YOLOv1，YOLOv2、YOLO9000）只是做了一些小的改动和优化，形成了YOLOv3。

2.The Deal

2.1.Bounding Box Prediction

在YOLO9000中，我们使用聚类的方法产生anchor box。每个bounding box预测出4个坐标： $t_x,t_y,t_w,t_h$ 。假设cell的左上角相对于整幅图像的左上角的offset为 $c_x,c_y)$ ，anchor box的宽和高为 $p_w,p_h$ ，那么预测结果为：

$b_x = \sigma (t_x) + c_x$

$b_y = \sigma (t_y) + c_y$

$b_w = p_w e^{t_w}$

$b_h = p_h e^{t_h}$

训练使用均方误差（sum of squared error loss）。

YOLOv3使用逻辑回归为每个bounding box都预测一个objectness score。不像Faster R-CNN，对于每个ground truth object，我们只分配一个bounding box prior。没有被分配到ground truth object的bounding box prior不会参与coordinate和class的loss计算，只保留objectness部分（的loss）。

2.2.Class Prediction

bounding box的类别标签可能有多个（比如某一object既属于woman，也属于person），对于这种multilabel classification任务，softmax函数就不是很合适。因此我们使用多个独立的逻辑回归二分类器。在训练时，对于类别的预测，使用binary cross-entropy loss。

这一策略也使得我们可以将算法移植到更复杂的Open Images Dataset。

2.3.Predictions Across Scales

对于聚类产生anchor，在YOLOv2中，是不是也有这种可能：对于整幅图像来说，整个数据集聚类得到k种anchor box的大小，如果是针对每个grid cell，好像没这个必要。

我们使用了3种不同scale的feature map来预测box（见上图）。对于每种scale的feature map，每个grid cell都负责预测3个box，所以输出的tensor维度为： $\times N \times [ 3 * (4+1+80) ]$ ，4为bounding box的offset，1为objectness prediction，80为COCO数据集的类别数。

我们依然使用k-means生成anchor box。对于COCO数据集，一共使用了9种anchor box： $(10\times 13),(16 \times 30),(33\times 23),(30\times 61),(62\times 45),(59 \times 119),(116 \times 90),(156\times 198),(373\times 326)$ 。这9种anchor box我们随机均匀分配给3个scale的feature map，即每个scale的feature map分到3种anchor box。

2.4.Feature Extractor

我们使用一个新的网络用于特征提取，这个新的网络基于YOLOv2中的Darknet-19，我们添加了残差连接，我们将这个网络称之为Darknet-53：

Darknet-53比Darknet-19性能更好，比ResNet-101、ResNet-152效率更高，其在ImageNet上的测试结果见下：

每个网络的参数配置都一样，图像大小均为 $256 \times 256$ ，统计single crop准确率。run time在Titan X上进行测试。Darknet-53和SOTA分类器的性能相当，但是计算成本更低，速度更快。Darknet-53性能比ResNet-101要高，并且速度是ResNet-101的1.5倍快。Darknet-53和ResNet-152的性能相近，但是速度却是ResNet-152的2倍快。

Darknet-53每秒执行的浮点数计算（floating point operations）是最多的，说明Darknet-53对GPU的利用更为充分。ResNet因为层数太多，所以效率不高。