YOLO-v3 阅读笔记

【UPDATE】
读了一篇写得很好的文章，结合源码很容易理解。
https://blog.paperspace.com/how-to-implement-a-yolo-v3-object-detector-from-scratch-in-pytorch-part-4/
fork了一个不错的代码：
https://github.com/eriklindernoren/PyTorch-YOLOv3

---

YOLO-v3论文标题：《YOLOv3: An Incremental Improvement》。论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf。项目官网：https://pjreddie.com/darknet/yolo/（当然GitHub上也有很多复现啦）
YOLOv3的论文读起来很有趣，又短又好(?)，建议大家自己感受一下大佬的幽默。与之前的系列一样，YOLOv3依然少了很多细节，网上的许多博主作了很多分析，但大部分是直接讲改进的模块，切入门槛挺高。我从头做了一些翻译，并且插入了一些写得好的分析博文，有些放到了参考文献中。想要真正理解还是去读源码。

摘要

我们更新了YOLO，它依然又快又好。

第一章 介绍

我对YOLO作了一些改进，但是说实话，没有什么特别有趣的东西，就是做了一些改变使它更好。另外这是一份技术报告，不需要引入介绍，因为我们大家都知道要讲什么。

第二章 The Deal

YOLO3的改进在于吸取了别人的好想法，并且训练了一个新的更好的分类网络（Darknet-53）。

2.1. Bounding Box Prediction

我们的系统和YOLO9000一样，使用dimension clusters来初始化anchor box，使用边界框回归算法进行预测（YOLOv2里有写），复习一下公式，

在训练过程中，我们使用平方误差之和作为损失函数，如果某些坐标预测的GT为tˆ*，我们的梯度计算是GT减去我们的预测：tˆ*-t*。其中GT 的值tˆ*也是通过上述公式转换而来。
YOLOv3用Logistic回归预测每个Bbox的objectness score（存在目标的概率），如果这个Bbox与GT框的IOU比其他Bbox高，那么其得分为1。与之前版本同样的，每个目标类别只取一个Bbox。如果当前的预测不是最好的，但它和ground truth对象重合到了一定阈值以上，神经网络会忽视这个预测。如果先前的边界框并未分配给相应对象，那它只是检测错了对象（objectness score），而不会对坐标或分类预测造成影响。

2.2. Class Prediction

每个框使用多标签分类来预测Bbox可能包含的类，不再使用只能预测一个类的softmax，我们只使用独立的logistic分类器。在训练过程中，我们使用二值的交叉熵损失进行类预测。（这部分介绍的很粗略）

2.3. Predictions Across Scales

1. YOLOv3在3种不同的尺度进行预测，使用类似FPN的特征金字塔结构来提取特征。在我们基本的特征提取器中又添加了几个卷积层，最后一个卷积层输出的是一个3维张量，包含边界框信息、objectness（是否含有目标）和分类预测。
2. 在COCO数据集的实验中，每种尺度我们会预测3个Bbox，因此最终的tensor尺寸为：
   N × N × [3 ∗ (4 + 1 + 80)]，4是Bbox的偏移量，1是objectness，80是分类预测。
3. 接下来，我们从前两层中提取特征映射，并将其向上采样2倍。我们还从早期的网络中获取一个特征映射，并使用concat将其与我们的上采样特征合并（类似shortcut的操作）。该方法使我们能够从上采样的特征中获取更有意义的语义信息，从早期的特征映射中获得更细粒度的信息。然后，我们再添加几个卷积层来处理这个concat之后的特征图，并最终预测一个类似的张量，尽管现在是放大两倍后的尺寸。
4. 在3种尺度中，每一个尺度都可以从上一个尺度以及前期网络中获取细粒度信息，再加以融合。这样说似乎有些抽象，作者并没有给出网络结构图，放一张网上大神的图片（侵删）。
5. 最后，先验眶尺寸的选择上，依然先使用k均值进行聚类。

2.4. Feature Extractor

在Darknet-19 和残差网络思想的基础上提出了新的Darknet-53分类网络。（此处Darknet-53的网络结构就不放了，直接查论文就好）作了与其它分类网络的横向对比，效果又快又好。顺便说一句，Resnet有太多的层，而且效率不高。

2.5. Training

我们仍然训练完整的图像，没有hard negative样本挖掘或其他任何东西。我们使用多尺度的训练，大量的数据增强，批量规范化，所有标准的东西.我们使用Darknet神经网络框架进行训练和测试。

第三章 How We Do

1. YOLO3太好使了，就COCO的奇怪的平均AP评估方法（笑）而言，它与SSD的变体方法不相上下，但速度却提升了3倍。但是跟其它检测器比，比如RetinaNet，效果还是差一截。
   2 在IOU=0.5时的AP值还不错，但是，随着IOU阈值的增加，性能明显下降，这表明YOLO3很难使Bbox与目标完全一致，也就是说定位准确性不足。
   3 YOLO3在小目标检测上的性能有所增强，即下表中的Aps。然而，它在中、大尺寸对象上的性能相对较差。需要更多的研究才能找到真相。
   
2. 论文中的图3（是图3哦，论文中此处写的是图5）展示了YOLO3与其它检测器在准确率和速度方面的对比。啥也不说了，上图吧。（这个图与论文中的图1是不一样的，虽然看着很相似……图1用的是AP，下图用的是AP50，即IOU=0.5，我觉得直接看上表得了，反正都是用表上的数据做的哈哈哈）
   

第四章 Things We Tried That Didn’t Work

1. 我们在YOLO3上作了很多的尝试，下面是我们还记得的一些失败的案例。（帮你踩了坑）
2. 使用anchor box来预测偏移，其中，使用线性激活将x，y偏移量预测为box宽或高度的倍数。这会降低模型的稳定性，不好使。
3. 使用线性回归而不是logistics回归来预测x,y的偏移，两者不相同哦，logistics回归实质是一种分类方法，（说着我就掏出了我的西瓜书……）这会使得mAP下降。
4. Focal loss。我们尝试过使用Focal loss（RetinaNet中使用的），这会使得我们mAP下降2%（不是所有trick都适用于自己的模型哦）YOLOv 3可能已经对Focal loss试图解决的问题具有足够的鲁棒性，因为它有独立的objectness predictions and conditional class predictions。
5. Dual IOU thresholds and truth assignment.
   Faster R-CNN在训练中使用了两个IOU阈值，如预测框与GT框的IOU大于0.7，则被认为是一次正样本；在0.3-0.7之间的Bbox将被忽略；在0.3以下的将被认为是负样本。我们在YOLO3中试过同样的方法，但是并不怎么奏效。

第五章 What This All Means

1. 尽管在AP50-AP95之间，YOLO的成绩不算很好，但YOLO3在AP50上取得了不错的成绩，为啥我们要选择这个指标呢（笑），COCO数据集的论文中有一句这样的话：“A full discussion of evaluation metrics will be added once the evaluation server is complete”. Russakovsky等人曾经有一份报告，说人类很难区分.3与.5的IOU：“训练人们用肉眼区别IOU值为0.3的边界框和0.5的边界框是一件非常困难的事”。如果人类都难以区分这种差异，那这个指标有多重要？（有道理）
2. （以下内容属于严肃的思考，我直接放翻译了，不舍得改动~）
   但也许更好的一个问题是：现在我们有了这些检测器，我们能用它们来干嘛？很多从事这方面研究的人都受雇于Google和Facebook，我想至少我们知道如果这项技术发展得完善，那他们绝对不会把它用来收集你的个人信息然后卖给……等等，你把事实说出来了！！Oh.
   那么其他巨资资助计算机视觉研究的人还有军方，他们从来没有做过任何可怕的事情，比如用新技术杀死很多人oh wait………呸呸呸
   （脚注：作者由海军研究办公室和谷歌资助。）
   我非常希望大多数人会把计算机视觉技术用于快乐的、幸福的事情上，比如计算国家公园里斑马的数量，或者追踪小区附近到底有多少猫。但是计算机视觉技术的应用已经步入歧途了，作为研究人员，我们有责任思考自己的工作可能带给社会的危害，并考虑怎么减轻这种危害。我们非常珍惜这个世界。
   最后，不要在Twitter上@我，我已经弃坑了！

---

如有错误，欢迎指正。
我要去玩YOLO源码了，下篇更新什么还没想好。

参考文献

[1] https://blog.csdn.net/leviopku/article/details/82660381
[2] https://www.jianshu.com/p/d13ae1055302
[3] https://blog.csdn.net/baidu_27643275/article/details/82964784