文章目录
前言
根据前文目标检测-One Stage-YOLOv2可以看出YOLOv2的速度和精度都有相当程度的提升，但是精度仍较低，YOLO v3基于一些先进的结构和思想对YOLO v2做了一些改进。
提示：以下是本篇文章正文内容，下面内容和可供参考
一、YOLO v3的网络结构和流程
- 将影像输入卷积网络（DarkNet53）+FPN得到多尺度特征图
ps：Darknet53，由Darknet19结合Resnet而成
- 利用anchor机制获取预选框
- 将上一步得到的anchor输入不同的分类和边框回归器
- 使用非极大值抑制NMS去除冗余窗口
二、YOLO v3的创新点
具体来说，没有什么大的创新点，但是结合先进的思想改进了YOLOv2：
- 将backbone的网络结构进行了改进，将Darknet19结合Resnet（残差块轻量化），变成了Darknet53（Darknet53的性能与ResNet152相似，速度快2倍）
- 引入多尺度特征图（feature maps），每个尺寸的feature map各司其职，13 × 13负责大目标物体，26 × 26负责中目标物体和52 × 52负责小目标物体。原因很简单，越深层的信息越抽象，越浅层的越粗糙，浅层还保留着小物体的信息，深层就不一定还在了。
ps：和SSD一样，感受野小的feature map检测小目标（较小的scale），使用感受野大的feature map检测更大目标（较大的scale），但加入了特征融合机制。
- 类别预测方面使用多个逻辑回归分类器（logistic）代替softmax分类器，以此来确定预测框属于多类的可能
- softmax（全部类别的概率之和为1）假定全部类别是互斥的，即如果预测框属于类别A，那么就不可能属于类别B
- 但面对非互斥类别集时，softmax不能判别多类别归属，比如预测框可能既属于"动物"，又属于"狗"，尤其对于Open Images这种数据集，目标可能有重叠的类别标签
- 因此yolov3使用不同的logistic回归分类器（数量和类别数对应）检验bbox为每个类别的置信度（objectness score），如果超过一定阈值，就可认为bbox属于某个类别，即可实现多类别分类
总结
YOLOv3-320(28.2mAP)与SSD321一样准确（28.0mAP[.5, .95]），但速度快三倍（61ms -> 22ms）
在mAP50上（57.9），YOLOv3-608和当时的SOTA（RetinaNet-101-800）精度一样（57.5），但要快3.8倍（198ms -> 51ms）
