前言
本文是yolo系列算法文章的第三篇，也是目前为止yolo系列算法的最终篇。从原理上看，yolov3并没有实质性的创新，主要是借鉴了一些时下state-of-the-art模型的优秀思想。本文重点讲解yolov3在v1和v2基础上做的改进，因此对yolov1和v2的原理还不太熟悉的小伙伴可以先看一下前面的两篇文章：yolo系列算法一和yolo系列算法二。
相较于v1和v2，yolov3的改进主要包括三点：新的backbone基础网络；多尺度预测；损失函数的调整。
backbone基础网络
为了改进模型效果，作者提出了一个新的基础网络darknet-53进行特征提取，该网络在darknet-19的基础上进一步扩充了网络深度，包括有53层卷积层，其网络架构如下图所示：
乍一看，darknet-53和resnet网络架构很像啊有木有。事实上，darknet-53可以说是青出于蓝而胜于蓝，具体改进如下：
充分借鉴了resnet网络中的残差结构，使得网络能够达到很深程度的同时避免了梯度消失问题；
去除了池化层而改用步长为2的卷积层的方式进行特征图的降维，更好的保持了信息传递；
充分吸收了network in network的思想，使用1*1卷积既降低了参数量，又增强了不同通道间的特征融合。
吸收了诸多优点的darknet-53最终取得了优异的成绩，能够在性能超过resnet-101的同时速度快1.5倍，在速度快2倍的前提下达到和resnet-152相似的性能。
多尺度融合
yolo自诞生之日起，就被打上了一个不太友好的标签：对小物体的检测效果不佳。这是原理上的限制，yolov1仅仅利用最后一层卷积层进行特征预测，而小物体的信息经过层层卷积后几乎完全丧失，从而制约了模型的效果。为了改进这一点，作者曾在yolov2中采用passthrough结构来改善细粒度特征的检测，但是效果依旧不理想。至yolov3，作者充分借鉴了FPN网络的思想，采用多尺度来对不同大小尺寸的目标物进行检测。小糖豆在查找资料时发现了下面这幅图，十分清晰明了的表示出yolov3中是如何进行多尺度级联预测的（原图出自Levio，感谢作者的劳作）。
416*416*3的图像输入网络后，经过5次下采样，得到第一张尺寸为13*13的预测特征图。随后，为了实现细粒度特征检测，在第79层特征图处进行上采样，并与来自第61层的特征图进行特征拼接，得到了第二张尺寸为26*26的预测特征图。同样地，在第91层特征图处再次进行上采样，与第36层特征图进行特征拼接，得到了第三张尺寸为52*52的预测特征图。
13*13的特征图由于下采样倍数大，单元网格的感受野比较大，适合检测尺寸比较大的目标物；26*26的特征图中单元网格感受野适中，适合检测尺寸中等的目标物；52*52的特征图中单元网格感受野相对较小，适合检测尺寸较小的目标物。
由于三张预测特征图承担的任务各不相同，相应的anchor box也需要进行调整。与v2中相同的是，v3延续了采用k-means聚类算法确定anchor box尺寸的方法，为每张特征图设定了3种anchor box，总共聚类得到9种尺寸的anchor box。在coco数据集上，这9个anchor box分别是(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。分配的方式见下表所示，遵循的原则是特征图的尺寸越小，则分配的anchor box的尺寸越大。大家可以根据下面几幅图感受下不同anchor box对图像感知视野的不同（黄色框是ground true box，蓝色框是预先分配的anchor box）。
由于多尺度预测，yolov3对小物体的检测效果大大加强，yolov2和v3的检测效果对比如下图所示（成效真的很显著）：
损失函数
损失函数的改进主要是在类别预测部分，用独立的logistic classifiers取代了softmax。作者在文章中解释道，这能帮助模型适应更复杂领域的数据集，比如Open Images数据集。在该数据集中，有很多标签的含义是重叠的，例如女人和人。而softmax需要假定每一个需要预测的类别都是互相独立的，很显然不适合这种情况。
与其他模型的比较
集百家之长的yolov3终于成长为目标检测界的标杆，傲视群雄。作者在此处很傲娇的将yolov3画在了第二象限（手动@作者，期盼yolov4早点问世哦）。
另附上一段小糖豆非常推崇的yolov3的评语：
2015 年，R-CNN横空出世，目标检测DL世代大幕拉开。各路豪杰快速迭代，陆续有了SPP，fast，faster版本，至R-FCN，速度与精度齐飞，区域推荐类网络大放异彩。奈何，未达实时检测之基准，难获工业应用之青睐。此时，凭速度之长，网格类检测异军突起，先有YOLO，继而SSD，更是摘实时检测之桂冠，与区域推荐类网络二分天下。然准确率却时遭世人诟病。遂有JR一鼓作气，并coco，推v2，增加输出类别，成就9000。此后一年，作者隐遁江湖，逍遥twitter。偶获灵感，终推v3，横扫武林！
霸气！Niubility！！！
下一代会是什么样子
在这里小糖豆结合目标检测领域的最新进展谈谈自己的看法。时下anchor-free类目标检测模型如雨后春笋般出现，yolov4很有可能会返璞归真。在小糖豆看来，yolo最核心的思想是将图像划分成网格，包含物体中心点的网格负责预测该物体。如果说改进下损失函数，使得模型能够精准定位到这些包含物体中心点的网格，在此基础上利用这些网格预测bounding box的其他属性，则可以成功避免依靠穷举法来获得潜在目标位置。这个思路和今年新发布的 centerNet（Objects as Points）的思路颇为相似。后期小糖豆会在yolov3的基础上尝试运用anchor-free的思想，如果效果好的话再分享给大家。
总结
yolo系列算法的原理讲解到这就暂告一段落了。小糖豆在前面的文章中也表达过自己的观点，要想真正弄清楚一个算法，仅仅弄明白它的原理是不够的，最合适的学习途径还是在学会原理的基础上动手实现它。因此，小糖豆在接下来的文章中会深入探索yolov3的代码，带领大家从零开始，动手实现yolov3的训练与检测。
最后献上一首诗与大家共勉：
古人学问无遗力，少壮功夫老始成。
纸上得来终觉浅，绝知此事要躬行！
参考：
https://arxiv.org/abs/1506.02640 yolov1
https://arxiv.org/abs/1612.08242 yolov2
