目录

• 前言
• YOLO发展历程
• • 目标检测
  • YOLO开山之作 ---- YOLO（v1）
  • YOLOv2
• YOLOv3
• PaddleDetection中YOLOv3模型介绍
• 总结

FPPS 帧每秒

目标检测

• 单阶段模型：YOLO, SSD, Retina-Net
• 两阶段模型：RCNN, SPPNet
  
  性价比之选：YOLO系列模型
  YOLO
  • VOC精度63.4， 推理速度达到45FPS
  • VOC精度52.7， 推理速度达到155FPS

YOLOv2
- VOC精度78.6， 推理速度达到40FPS
- VOC精度76.8， 推理速度达到67FPS
- SSD的速度，RCNN的精度
YOLOv3
- COCO数据集精度33.0
- 推理速度快于SSD3倍
- 推理速度快于RetinaNet3.8倍

实时检测（FPS>30）
精度速度性价比最高

YOLO开山之作 ---- YOLO（v1）

单阶段目标检测模型
You Only Look Once
将目标检测当作一个单一的回归任务

1. yolov1原理
   将图像划分为SS个网格
   物体bbox中心落在哪个网格上，就由该网格对应锚框负责检测该物体
   
   输出特征图的宽度、高度（H、W）维上即为SS个网格
   输出特征图通道（C）维上组织x,y,w,h, Pobject, classification(one-hot)信息
   

YOLOv2

1. YOLOv3目标检测原理
   
   
2. YOLOv3网络结构
   
   
   上图三个方框内表示Yolov3的三个基本组件：
   （1）CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。
   （2）Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
   （3）ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用，因此经过5次Res模块后，得到的特征图是416->208->104->52->26->13大小。
   其他基础操作：
   （1）Concat：张量拼接，会扩充两个张量的维度，例如26×26×256和26×26×512两个张量拼接，结果是26×26×768。Concat和cfg文件中的route功能一样。
   （2）Add：张量相加，张量直接相加，不会扩充维度，例如104×104×128和104×104×128相加，结果还是104×104×128。add和cfg文件中的shortcut功能一样。

Backbone中卷积层的数量：
每个ResX中包含1+2×X个卷积层，因此整个主干网络Backbone中一共包含1+（1+2×1）+（1+2×2）+（1+2×8）+（1+2×8）+（1+2×4）=52，再加上一个FC全连接层，即可以组成一个Darknet53分类网络。不过在目标检测Yolov3中，去掉FC层，不过为了方便称呼，仍然把Yolov3的主干网络叫做Darknet53结构。

3. YOLOv3网络的输入输出
   
   

4. 锚框
   在COCO数据集上KMeans聚类了9（3*3）种尺度的anchor（先验的超参数）
   
   锚框只给出了框的宽度和高度，怎么去表示图像中物体真实框？
   有多少个真实框？分别在图像的哪个位置？

锚框的宽度和高度是固定的，物体真实框的宽度和高度各种各样，怎么去表示？

• 从锚框到预测框
  输出特征图高度、宽度为H, W,相当于将图像划分为H*W个网格
  图像的每个网格对应输出特征图HW平面上一个点
  
  
  
  
  
• 为什么要有锚框
  
  为什么要有锚框？
  对于YOLOv3来说，巨人的名字叫”锚框“
• 在数据集上Kmeans聚类得到锚框
• 生成的预测框**仅需要在锚框基础上”微调“**即可
• 收敛更快，效果更好

7. YOLOv3检测流程
   
   
   真实框匹配
   真实框的中心落在哪个网格上，就由哪个网格负责检测这个真实框
   真实框的中心会落在三个特征图的网格上，每个网格有三个锚框，哪个锚框来检测这个真实框呢？
   –所有的9个锚框中，与真实框最匹配的，即IoU最大的负责检测这个真实框
   
   如果两个真实框落在同一个网格上，还匹配了同一个锚框，怎么办？

如果两个真实框落在了同一个网格上，还匹配了同一个锚框，怎么办？
后一个真实框覆盖前一个真实框的信息，前一个真实框就会丢失了，这就是yolov3原理层面上决定的，不适合检测靠的近的，有遮挡的物体或者群体，因为很有可能他们落在了同一个网格同一个锚框上。
由真实框得到监督信息


yolo的思想是各通道之间是互相独立的，也就是各类别之间独立，也就允许多类别检测。所以用sigmoid，类别之间不互相干扰。softmax只允许一个类别

YOLOv3不使用Softmax对每个框进行分类，主要考虑因素有两个：

• Softmax使得每个框分配一个类别（score最大的一个），而对于Open
  Images这种数据集，目标可能有重叠的类别标签，因此Softmax不适用于多标签分类。
• Softmax可被独立的多个logistic分类器替代，且准确率不会下降。

损失函数

需要计算哪些损失？
1）有真实框落在的锚框（正例）

2） 没有真实框落在的锚框（负例）

• objectness损失：将预测框的objection向0回归

3） 只给了真实框落在的锚框回归真实框的机会？样本倾斜？（非正非负）

• 不是匹配的锚框但是其对应的预测框与任一真实框IoU不小于ignore threshold(0.7),不计算损失

9. 计算预测框

10. NMS

1. YOLO发展史

   • YOLO(v1)：首个单阶段目标检测深度学习模型，将目标检测当作一个单一的回归任务，基于锚框学习“形变”系数
   • YOLOv2：全卷积网络结构、Kmeans聚类anchors，多尺度训练
   • YOLOv3：新骨干网络DarkNet53，多尺度预测

2. YOLOv3检测原理

   • 网络：输出特征图H,W维为网格
   • 锚框：9个锚框，每个尺度3个
   • 预测框：输出特征图C上为预测框信息，5+class_num

3. PaddleDetection中的YOLOv3模型

   • 丰富的模型库。高精度高性能的YOLOv3模型
   • 一键式运行YOLOv3模型，YOLOv3模型配置文件解析
   • 集成PaddleSlim压缩能力，高性价比的YOLOv3压缩模型
   • 更快更强的PP-YOLO模型